1、大多数最先进的方法依赖于地面真实密度图的大量训练图像，每个人头都有标记。然而
，注释如此多的人头是非常昂贵的，对于高密度区域，这样的手动标签可能会有噪声。为
了降低注释成本，我们需要使用一个大规模的合成数据集。
2、然而，由于合成图像和真实图像之间的域差距很大，在合成数据集上训练的模型表现很
差。
3、自动机器学习（AutoML）的目的是让人类从业者和研究人员不必为每个超参数选择最
优值，如学习率、权重衰减和辍学，或设计性能良好的网络架构。该领域的先驱者开发了
基于强化学习（RL）、进化算法（EA）和贝叶斯优化的优化方法来指导搜索过程。由于需
要一定的计算开销，这些工作通常是不切实际的。相比之下，一个可微分控制器将选择转
换为一个连续的隐空间优化问题，允许由一个基于梯度的优化器执行一个高效的搜索过
程。
