AFreeCA：面向全类的无标注计数

物体计数方法通常依赖于手动标注的数据集。创建此类数据集的成本限制了这些网络仅能计数特定类别的物体（如人类或企鹅），而计数不同类别的物体仍然是一个挑战。鲁棒的文本到图像潜在扩散模型 (LDMs) 的出现引发了一个问题：这些模型能否用于生成计数数据集？然而，LDMs 难以仅基于文本提示创建具有确切数量物体的图像，但它们可以通过在图像中添加和移除物体来提供可靠的排序信号。利用这些数据，我们首先引入了一种无监督排序方法来学习与物体相关的特征，随后利用 LDMs 生成的计数数据对这些特征进行细化和锚定以用于计数目的。此外，我们提出了一种密度分类器引导的方法，将图像划分为包含可可靠计数物体的补丁。因此，我们可以为任何类型的物体生成计数数据，并以无监督方式对它们进行计数。我们的方法优于其他无监督和少样本替代方案，且不受限于已有计数数据的特定物体类别。代码将在录用后发布。