解耦计数目标与观测位置：用于指代表达计数
计算机视觉与模式识别
2025-10-29 v1
摘要
指代表达计数（REC）将类级目标计数扩展到细粒度的子类级，旨在枚举匹配文本表达式所指定的类和区分属性的目标。然而，一个根本性的挑战往往被忽视：标注点通常被放在代表性位置（如头部），迫使模型聚焦于类级特征，同时忽略来自其他视觉区域（如“行走”的腿部）的属性信息。为此，我们提出W2-Net，一种新型框架，通过双查询机制将问题显式解耦为“计数什么”和“在何处观察”。具体而言，除了标准的计数目标（w2c）查询用于局部化目标外，我们引入专门的观察位置（w2s）查询。w2s查询引导寻找和提取来自属性特定视觉区域的特征，从而实现精确的子类判别。此外，我们提出子类可分离匹配（SSM），一种新颖的匹配策略，纳入排斥力以增强子类间的可分性。W2-Net在REC-8K数据集上显著优于最先进的方法，验证集计数误差降低22.5%，测试集降低18.0%，局部分析F1分数分别提升7%和8%。代码将公开提供。
引用
@article{arxiv.2510.24374,
title = {Decoupling What to Count and Where to See for Referring Expression Counting},
author = {Yuda Zou and Zijian Zhang and Yongchao Xu},
journal= {arXiv preprint arXiv:2510.24374},
year = {2025}
}