本文提出一种使用预训练的 Vision Transformer（ViT）的解决方案，实现了 Class-Agnostic Counting（CAC），并将其称为 CACViT。实验结果表明，CACViT 在 FSC147 和 CARPK 数据集上均具有很强的鲁棒性和高效性，相较于其他现有的类别无关计数方法减少了 23.60% 的误差。

May, 2023

不需要训练的前提下，本研究提出了一种直接的解决方案，通过利用预先存在的基础模型进行实例级分割，通过四项关键技术的结合，实现了性能的显著提升，与基于训练的方法相媲美。

Mar, 2024

本文提出了一种能够在不同对象类别上通用计数的模型，将计数问题转化为匹配问题，利用图像自相似性和丰富的标注视频数据进行训练，并使用适配器模块实现对模型的快速定制，获得了在细胞，汽车和人群计数数据集上具有竞争力和领先水平的表现。

Nov, 2018

在现有的无类别计数 (CAC) 框架中，我们指出了一个严重的问题：在多类别环境下，模型不考虑参考图像，而是盲目匹配查询图像中的所有主要对象。此外，现有的评估指标和数据集不能真实地评估模型的泛化性能和鲁棒性。为了解决这个问题，我们发现将马赛克增强与广义损失相结合对于解决无类别计数模型中计算多数对象（即主要对象）的问题至关重要。此外，我们引入了一种新的评估协议和指标，以解决现有无类别计数评估方案中存在的问题，并以更公平的方式对无类别计数模型进行基准测试。此外，广泛的评估结果表明，我们提出的方法可以持续改善不同无类别计数模型的性能。我们将在论文被接受后发布代码。

Apr, 2024

本文提出了一种针对少样本目标计数的新型学习模块，其中包括相似性比较模块和特征增强模块，通过得分图，利用支持图像和查询图像来增强查询特征，大大提高了目标计数的精度和效率，成果优于现有最先进技术

Jan, 2022

本文提出了一种基于范例的分割模型，用于对多类图像进行对象计数，解决了当前多类对象计数模型的主要问题，并介绍了两个新的测试基准，在这些基准上，我们的方法显示出了显着的优势。

Jul, 2023

通过局部化基础的类别无关计数方法，本研究提出了一种新的基于尺度调节的查询和定位网络（SQLNet），可以准确定位并预测每个目标的大致尺寸，以实现有效的计数；SQLNet 在流行的类别无关计数基准任务上表现优异，不仅在计数准确度上优于最先进的方法，还在定位和边界框生成方面表现出色。

Nov, 2023

通过深入研究语言引导示例学习，论文提出了一种新颖的 ExpressCount，用于改进零样本物体计数。通过语言导向的示例感知器和下游视觉零样本计数管道构成的 ExpressCount，在寻找细粒度特征方面表现出色，充分利用了来自大型语言模型的丰富语义先验知识，并显著提升了任意类别的零样本学习能力，从而为发展和验证基于语言的计数模型开辟了新的途径。大量实验证明了 ExpressCount 的最先进性能，甚至展示了与部分特定类别计数模型相媲美的准确性。

Feb, 2024

我们提出了一种网络学习的空间相似度分布 (SSD) 方法，用于少样本目标计数，该方法在保留样本特征的空间结构的同时，计算查询特征与样本特征之间的四维相似度金字塔，从而捕捉了四维相似度空间中每个点的完整分布信息，同时利用相似性金字塔上的高效中心轴四维卷积将不同的相似度分布映射到不同的预测密度值，以获得准确的计数。我们还引入了特征交叉增强 (FCE) 模块来改进查询和样本特征的准确性，该方法在多个数据集上表现优于现有方法，包括 FSC-147 和 CARPK。

May, 2024

本文提出了一种基于双相似模块的模型，在细粒度图像分类中实现少样本学习，并且通过两种不同的相似性度量可以显著地提高模型的泛化能力。

Nov, 2020