RepSFNet：一种用于人群计数的单分支融合网络 with 结构重参数化

人群计数在密度变化场景中仍具有挑战性，主要due于尺度变化、遮挡以及现有模型的高计算成本。为此，我们提出 RepSFNet（Reparameterized Single Fusion Network），一种轻量级架构，旨在实现准确且实时的人群估计。RepSFNet 采用带有大规模重参数化内核的 RepLK-ViT 主干网络，实现高效的多尺度特征提取。进一步集成特征融合模块，组合 Atrous Spatial Pyramid Pooling（ASPP）和 Context-Aware Network（CAN），实现稳健的、密度自适应的上下文建模。采用 Concat Fusion 模块保留空间分辨率，生成高质量的密度图。通过避免注意力机制和多分支设计，RepSFNet 显著降低参数数量和计算复杂度。训练目标结合均方误差（Mean Squared Error）和最优传输损失（Optimal Transport loss），提高计数准确性和空间分布对齐度。在上海Tech、NWPU 和 UCF-QNRF 数据集上的实验表明，RepSFNet 在保持竞争精度的同时，将推理延迟降低最高 34%，适用于实时和低功耗边缘计算应用。