CountZES：通过零样本示例选择进行计数
计算机视觉与模式识别
2026-02-04 v2
摘要
在复杂场景中的目标计数在零样本（ZS）设定下尤为困难，即仅使用类别名称来计数未见类别的实例。现有的 ZS 计数方法通常依赖现成的开放词汇检测器（OVD），在密集场景中易受语义噪声、外观变化和频繁多实例提议的影响。或者，随机图像块采样被采用，但无法准确 delineate 目标实例。为解决这些问题，我们提出 CountZES，一种通过 ZS 示例选择进行目标计数的推理-only 方法。CountZES 通过三个协同阶段发现多样化示例：检测锚定示例（Detection-Anchored Exemplar, DAE）、密度引导示例（Density-Guided Exemplar, DGE）和特征共识示例（Feature-Consensus Exemplar, FCE）。DAE 细化 OVD 检测结果以隔离精确的单实例示例。DGE 引入一种密度驱动的自监督范式，以识别统计一致且语义紧凑的示例，而 FCE 通过特征空间聚类强化视觉一致性。这些阶段共同产生一个互补的示例集，在文本锚定、计数一致性和特征代表性之间取得平衡。在多样化数据集上的实验表明 CountZES 在 ZS 计数方法中具有优越性能，并能有效跨领域泛化。
引用
@article{arxiv.2512.16415,
title = {CountZES: Counting via Zero-Shot Exemplar Selection},
author = {Muhammad Ibraheem Siddiqui and Muhammad Haris Khan},
journal= {arXiv preprint arXiv:2512.16415},
year = {2026}
}