提出了新的任务定义、数据集和评估指标，包括标准和开放词汇检测以及引用表达式。OmniLabel 是具有挑战性的基准，具有多样化的复杂对象描述，并且是一个自然的开放词汇环境下的难点。评估使用经过修改的平均精度度量，通过评估强大的基线来验证.

Apr, 2023

该研究针对视觉物体计数问题，提出了一种基于少样本回归任务的方法，同时也介绍了一种新的适应策略和数据集以供模型训练和评估，并证明该方法在性能上优于现有的物体识别和计数方法。

Apr, 2021

基于检测的 PseCo 框架将 SAM 和 CLIP 结合起来，实现了对少样本和零样本的准确目标计数，通过点定位、分割和计数等步骤解决了效率和小物体区分等难题。

Nov, 2023

利用文本到图像的潜在扩散模型 (LDMs)，本研究介绍了一种无监督的排序方法，通过借助生成的计数数据，对任意类型的对象进行可靠计数，该方法优于其他无监督和少样本方法，不受特定对象类别计数数据的限制。

Mar, 2024

本文提出了一种用于类别无关计数的视觉计数器，利用区域建议网络及密度估计对重复出现的对象进行计数，实现对新颖目标类别的自动化计数。实验表明，该方法在 FSC-147 数据集上表现优异。

May, 2022

本文提出了一项名为 Locount 的新任务，即同时进行对象定位和计数，针对此任务，我们收集了一个大规模的对象定位和计数数据集，提供了一个新的评估协议，同时提供了一个被称为级联定位和计数网络的强基线，并在数据集上进行大量实验以证明其重要性和性能。

Mar, 2020

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

本文提出了一种基于图像级别监督学习实现常见物体计数的方法，该方法可以同时提供全局物体计数和物体实例的空间分布，并通过构建对象类别密度映射来实现。作者的方法在 PASCAL VOC 和 COCO 数据集上进行了全面实验，表现出了优异的性能。

Mar, 2019

零样本目标计数 (ZSC) 是一种新的设置，只需类名作为测试时间的输入。我们提出了找到几个目标裁剪样本并将其用作计数示例的方法，该方法消除了对人工注释者的需求并实现了自动化操作。通过使用大型语言 - 视觉模型构建类原型，我们选择包含目标对象的补丁，同时使用排名模型评估每个补丁的计数误差并选择最合适的示例用于计数。在最近的类别无关计数数据集 FSC-147 上的实验结果验证了我们方法的有效性。

Sep, 2023

本文提出了一种基于分割思想的无需训练数据的物体计数方法，该方法避免了传统依赖昂贵标注数据的物体计数问题，所提出的先验引导掩码产生方法为计数精度提供了帮助，同时还可以应用于任意形状物体的计数.

Jun, 2023