本文介绍了一种将探测和回归方法结合的方法。作者发现，探测方法对于低密度的人群计算效果比回归方法好，而对于高密度的人群计数则正好相反，由此产生灵感。
本文的主要贡献在于：
1.提出一种探测和回归结合的方法。
2.提出了DecideNet网络。这种网络可以根据人群密度的变化自适应地调整探测和回归两种方法的权重。
3.经过实验，这是目前最优的方法。
本文的网络结构如下：
可以看出包含了三个网络：RegNet、QualityNet、DetNet。
RegNet就是用回归的方法计算密度图的网络，比较普通。为了获得更多的环境信息，使用了比较大的感受野（7×7、5×5）。
DetNet本质上是一个人脸探测器，通过定下人脸的位置来获取人群密度，只能用于稀疏地方。
QualityNet是一个分配权重的网络。
可以改进的地方：
参数过多，RNet和QNet均使用了大感受野，而且是一个三列网络结构。
RegNet没有考虑尺度。
DetNet本质上是利用人脸检测的方法来生成一幅密度图，仍然是利用了深度学习的方法，能否考虑使用传统方法，或者已经训练好的人脸探测器？