CountingDINO：基于无监督主干网络的无训练类无关计数管道
计算机视觉与模式识别
2025-11-12 v3
摘要
类无关计数（CAC）旨在估计图像中对象的数量，而不受预定义类别的限制。然而，尽管当前以样本为基础的 CAC 方法在推理时具有灵活性，但仍严重依赖于 labeled 数据进行训练，这限制了其规模性和对许多下游用例的泛化。本文引入 CountingDINO，首个无训练样本式 CAC 框架，利用完全无监督的特征提取器。具体而言，我们的方法采用自监督 vision-only 主干网络提取对象感知特征，并在整个 proposed pipeline 中消除对标注数据的需求。在推理时，我们通过 ROI-Align 从 DINO 特征中提取潜在对象原型，并将其用作卷积核生成相似度图。随后通过一种简单而有效的归一化方案将其转化为密度图。我们在 FSC-147 数据集上评估了该方法，在相同的 label- 和 training-free 设置下，始终优于基于 SOTA 无监督目标检测器的基线方法。此外，我们在某些情况下实现了与训练-free 方法相当的成绩——甚至超越了依赖监督主干网络、非 training-free 无监督方法，以及多个完全监督 SOTA 方法。这表明，label- 和 training-free CAC 既可规模化也有效。代码：https://lorebianchi98.github.io/CountingDINO/。
引用
@article{arxiv.2504.16570,
title = {CountingDINO: A Training-free Pipeline for Class-Agnostic Counting using Unsupervised Backbones},
author = {Giacomo Pacini and Lorenzo Bianchi and Luca Ciampi and Nicola Messina and Giuseppe Amato and Fabrizio Falchi},
journal= {arXiv preprint arXiv:2504.16570},
year = {2025}
}
备注
[Accepted at WACV 2026] 18 pages, 11 figures, 3 tables. Project website: https://lorebianchi98.github.io/CountingDINO/