在人群计数领域，基于卷积神经网络的深度特征取得了卓越的计数性能，几乎所有最新的人群计数算法都采用基于密度图的回归方法实现人群计数，它保留了人群的空间分布信息，直观地提供了不同区域的人群密度状况。在真实的人群场景中，如果想准确计数，需要解决大量的挑战，包括视角效应导致的尺度变化、不均匀的人群分布和场景各目标间复杂的关系。然而，已有方法要么无法有效地提取多尺度人群特征，要么仅依靠一阶注意力机制(例如二维的基于位置导向的注意力)，而完全忽略了拥挤场景中的高阶统计信息。
　　为了解决以上问题，本文首先提出了一个编码网络，它通过空洞卷积，在不增加额外计算量的前提下，显著扩大了网络感受野，在更大的上下文中提取深度人群特征。接着引入了解码网络，它使用了与编码网络密集的连接，同时使用了分布式监督，以更好处理尺度变化问题。在编码和解码阶段，本文分别引入了不同的注意力，即高阶注意力模块和自适应补偿损失函数。一方面，高阶注意力模块以核函数的方式，捕捉关于场景目标的更高阶关系，最终产生了一种三维注意力图，它关注重点区域，筛选有用信息，提取人群中每个人周围的有判别性特征。另一方面，在分布式监督框架下，自适应补偿损失函数利用了来自更高层的先验知识，以指导较低层的密度图预测，自适应地对不同区域加以关注。因此，这些组件建立起一个用于人群计数的混合注意力感知网络。在三个具有挑战性的基准数据集上的大量实验结果展示了，本文提出的混合注意力感知网络，取得了当前最佳的性能。