CountFormer：基于Transformer学习类无范例目标计数中的视觉重复与结构
计算机视觉与模式识别
2026-03-10 v2 人工智能
摘要
人类往往可以通过观察视觉重复性和构成来计数陌生对象，而不仅仅依赖对象类别。然而，许多无范例计数模型在此类情境下难以应对，可能对包含对称组件、重复子结构或部分遮挡的对象进行过度计数。我们引入CountFormer，这是一种受CounTR启发的密度回归框架的受控改编版本，其中用自监督视觉基础模型DINOv2替换图像编码器。 resulting transformer features与显式的二维位置嵌入结合，通过轻量级卷积网络解码以产生密度图，其积分给出最终计数。我们的目标不是提出新的计数架构，而是研究基础表征在严格无范例设置下是否提高结构一致性。在FSC-147数据集上，CountFormer在官方基准测试中实现了竞争性能(MAE 19.06，RMSE 118.45)。定性分析表明，对于某些结构复杂的对象，CountFormer发生了较少的部件级过度计数错误，而整体误差与先前方法基本一致。敏感性分析显示，评估指标strongly受少数极端高密度场景的影响。总体而言，结果凸显了表征质量在无范例目标计数中的作用。
关键词
引用
@article{arxiv.2510.23785,
title = {CountFormer: A Transformer Framework for Learning Visual Repetition and Structure in Class-Agnostic Object Counting},
author = {Md Tanvir Hossain and Akif Islam and Mohd Ruhul Ameen},
journal= {arXiv preprint arXiv:2510.23785},
year = {2026}
}
备注
Accepted at the 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence and Networking (QPAIN 2026)