在CVPR 2020上，商汤智慧交通产品线团队提出的自纠正自适应膨胀率计数网络，针对计数任务中点标注位置不一致和透视现象造成巨大的尺度变化的问题提出了有效的网络设计和监督方法。ADSCNet利用网络学习的结果来纠正不一致的人工标注从而更有效的训练；在网络设计方面，ADSCNet提出自适应膨胀率的卷积结构，不同位置采用不同的膨胀率来适应尺度的变化。ADSCNet在四个公开数据集上均有显著的提升。
目标计数作为计算机视觉的一个重要方向，在工业界有着广泛的应用。近年来，使用卷积神经网络（CNN）的方法取得了显著的进展。但是，这项任务仍然具有挑战：a. 由于密集的场景，对于目标多采用点标注的方式，这就带来标注位置不一致的问题；b. 在监控的密集的场景下，不但在不同的场景中目标的尺度差异大，而且在同一张图中也有由于透视现象造成目标会有巨大的尺度变化。
针对以上提出的问题，我们提出了一个新颖的计数框架，它由自适应膨胀卷积网络和自校正监督组成。在这一部分，我们首先会从高斯混合模型（GMM）的角度理解传统的目标密度图，然后我们将介绍如何利用一种期望最大化(EM)的方式进行自纠正更新标签，最后将介绍自适应膨胀率卷积的网络结构和实现细节。
自纠正的监督方式的动机是：随着模型的训练的进行，不一致的点标注会影响网络学习的上限。通过观察发现学习一定时间以后，网络预测的密度在响应位置一致性上好于人工标注。所以我们希望通过利用网络的预测来纠正标注的位置，从而得到更一致同时更有利于网络学习的密度图标签。
自适应膨胀率网络结构方面，我们从两个角度设计了自适应膨胀卷积：1) 从尺度变化方面，我们使用连续的感受野也来匹配连续的尺度变化；2) 为了学习空间感知，不同的位置回采用不同的膨胀率来进行采样。
实验结果表明，ADSCNet 相比较传统的监督预测的密度图主要有两方面的优势：1. 不同目标更一致的响应强度；2. 不同目标响应的位置更加一致。ADSCNet在四个公开数据集取得更优的表现，并有着明显的提升，表明了我们方法的有效性。