摘要：
本文主要是提出了用GAN（生成式对抗网络）解决人群计数问题。将有条件的GAN把输入图像转为密度图。用图片和密度图训练有条件的GAN。本文不使用图片增强策略。
问题：
人群计数两个问题：视角失真和因为相机高度角度带来的遮挡。传统CNN越复杂，越需要更多数据。人群计数标注好的数据集比较小，为了解决这个问题，提出训练一个CGAN（条件生成式对抗网络）。
贡献：
1.第一次把CGAN引入人群计数，结合了GAN和CNN。
2.端到端的新方法，输出是该模型输出估计密度图，其像素累积表示计数值。既计数值不错还能减少手工。该方法不仅具有较好的计数精度，而且需要较少的人工。我们的算法很容易实现，此外，该方法可以得到更清晰的密度图，具有良好的空间结构信息和较少的背景干扰。
方法：
1.先用高斯核生成ground truth的密度图
2.用训练图片和ground truth的密度图训练CGAN
3.用生成器测试test图片。
如图：
上面的U型ENCODER-DECODER是生成器，下面的D是判别器。?
生成器中encoder：Convolution-BatchNorm-LeakyReLU，decoder：Convolution-BatchNorm-Dropout-ReLU。卷积全用的4x4，stride=2，encoder-decoder中第一层不用BN（BatchNorm），图中一共16层，左边9层是encoder，剩下的decoder。
生成器比较简单，就是一个U型网络，输入是训练图片，输出是预测密度图。
判别器写的更简单，只说对不同patch level的patch惩罚，怎么罚没说。判别器网络一共五层，每个和生成器的encoder一样，第一层也没有BN。
优化目标：
?x表示GT的密度图，y表示对应GT的image。这篇文章的思想应该是来源于Conditional Generative Adversarial Nets这篇文章。在CGAN这篇文章中，将y作为额外的输入引导信息的生成，可以看到生成器和判别器的输入都多了一个y。
?对照CGAN，我自己对这篇文章的理解是：判别器的输入是GT的密度图和对应GT的image，输出是一个概率。生成器的输入是GT的密度图和噪声，输出是伪造的密度图。
不过他的描述挺矛盾的，前文里对于生成器他又说，G是在x（这里的x是指原始图片）的指导下学习噪声向量z到某个图片y的映射。公式和这里有点冲突。
?
最后他说道因为我们需要把ground truth考虑进入，所以她算了一下y（原始图片）和生成器输出的L1距离？？（存疑），𝜆超参也没解释。
实验
?
?总结：
我看这篇文章的主要目的是想看看GAN怎么用在人群计数中，但是这篇文章实在看的我一头雾水。不过生成器将用于生成测试图像的密度图，这些结果将用作预测密度图。也就是说，生成器用于测试阶段的推理。这个想法还是挺有意思的。