Learning to Improve Spatial Awareness for Crowd Counting

即插即用模块确实表现出色
作者指出，传统L2 Loss存在两个显著的不足之处：
（1）在对人头部进行定位时，其约束能力较弱。MSE更关注于解决density map数值的高频变化问题，但在定位精度方面表现欠佳，最终导致对高密度区域的预测值偏低，出现欠预测现象，而对稀疏区域的预测值则偏高，容易产生过预测的问题。
（2）L2 Loss对于噪声干扰的抵抗能力较差，一旦受到某些噪声值的影响，预测结果就会出现较大的波动。
Maximum Excess over SubArrays（MSEA loss）通过识别预测Density Map与真实标签之间的差异最大的矩形区域来应对上述问题。然而该方法由于不可微特性，无法实现反向传播。因此作者对其进行了改进，不再寻找误差最大的区域，而是聚焦于误差最大的单个像素点，并由此设计出Maximum Excess over Pixels（MEP loss）。

作者指出，（1）基于像素级别的L2 Loss在保留Density Map的高频信息方面存在局限性：该损失函数更倾向于生成过度平滑的预测结果，其在空间感知方面的表现相对较弱