Neuere Arbeiten im Bereich der Menschenansammlungszählung konzentrieren sich darauf, die Anzahl der Personen anhand detektierter Individuen zu bestimmen, anstatt die Gesamtanzahl der Personen in einem Bild zu schätzen. Allerdings führen bestehende Methoden zur Lokalisierung von Menschen direkt die Detektion von Kopfpunkten oder -regionen einzelner Personen durch, was dazu führen kann, dass die Ausgaben außerhalb des Gitternetzes liegen und somit nicht verantwortlich sind. Unser vorgeschlagener Pseudo Square Label Network (PSL-Net) stellt eine neuartige Methode für die Zählung und Lokalisierung von Menschenansammlungen dar, die auf einer anchor-free-Detektion basiert. Dabei schätzt der PSL-Net die Wahrscheinlichkeit, dass ein Zentrumspunkt innerhalb eines verantwortlichen Gitterfeldes liegt, während er Personen außerhalb dieses verantwortlichen Gitterfeldes indirekt über Box-Regression und Centerness-Schätzung detektiert. In dieser Studie wird eine Supervision mittels Pseudo Square Label (PSL) vorgeschlagen, die um einen Punktkennwert mit fester Größe generiert wird. Zudem wird ein partieller many-to-one-Matching-Algorithmus entworfen, der präzise Labels durch eine nur innerhalb des PSL stattfindende Zuordnung während des Trainingsphases ermöglicht, während während der Inferenzphase die vorhergesagten Punkte über die Centerness-Werte ihren verantwortlichen Gitterfeldern zugeordnet werden. Infolge dessen erreicht der PSL-Net nicht nur den Stand der Technik auf den beliebtesten Datensätzen für Menschenansammlungszählung, ShanghaiTech Part A und B, sondern auch den Stand der Technik unter den auf Punktdetektion basierenden Methoden für die Menschenlokalisierung.