A Generic Class-agnostic Object Counting Network with Adaptive Offset Deformable Convolution

doi:10.1016/j.neucom.2025.131310

A Generic Class-agnostic Object Counting Network with Adaptive Offset Deformable Convolution

2025-08-20

0

PRE

AI

张浩峰 (Haofeng Zhang) *

DOI：10.1016/j.neucom.2025.131310

原文链接

原文求助

摘要

En 中文

类别无关目标计数（CAC）旨在对图像中未见类别的目标数量进行计数。传统方法通常聚焦于单一场景，如少样本计数（FSC）和零样本计数（ZSC），且难以处理同一图像中不同尺度的目标，并无法利用自相似性线索进行精确定位和计数。本文设计了一种通用的类别无关目标计数网络，采用自适应偏移可变形卷积（AODC），该网络最初专注于无需任何示例的参考无关类别无关目标计数任务，并可轻松扩展至FSC和ZSC。我们的方法计算图像特征的自相似性图，并在这些图上执行4D卷积，以获得可变形卷积的自适应偏移量，从而使模型能够获取该位置目标的完整信息。通过这一过程，AODC能够识别同一样本中不同尺度的目标。我们进一步将该方法扩展至零样本和少样本场景，前者使用语义文本，后者使用视觉示例作为参考。我们在少样本目标计数数据集FSC-147以及其他大规模数据集上进行了实验，结果表明，我们的方法在所有三种场景下均显著优于当前最佳方法。代码可在https://github.com/WJWu20/AODC获取。

Keyword:

class-agnostic object counting

adaptive offset deformable convolution

self-similarity

few-shot counting

zero-shot counting

A Generic Class-agnostic Object Counting Network with Adaptive Offset Deformable Convolution

摘要

期刊

机构

引用论文