OCCAM：类别无关、无需训练、无需先验的多类别物体计数方法
计算机视觉与模式识别
2026-01-21 v1
摘要
类别无关物体计数（CAC）涉及对图像中任意类别的物体实例进行计数。由于其重要的实际意义，CAC近年来受到越来越多的关注。现有方法大多假设每张图像仅包含单一物体类别，依赖大规模深度学习模型的广泛训练，并通过引入视觉示例或文本提示等附加信息来解决问题。本文提出OCCAM，这是首个无需训练、无需任何辅助信息的CAC方法。此外，我们的方法解决了该问题的多类别变体，能够对图像中任意物体类别中的每一个类别的实例进行计数。我们利用基础模型Segment Anything Model 2（SAM2）以及基于自定义阈值的最近整数邻居聚类层次（FINCH）算法变体，在广泛使用的基准数据集FSC-147和CARPK上取得了有竞争力的性能。我们提出了一个合成的多类别数据集，并建议将F1分数作为更合适的评估指标。我们的方法代码和所提出的合成数据集将在https://mikespanak.github.io/OCCAM_counter上公开。
引用
@article{arxiv.2601.13871,
title = {OCCAM: Class-Agnostic, Training-Free, Prior-Free and Multi-Class Object Counting},
author = {Michail Spanakis and Iason Oikonomidis and Antonis Argyros},
journal= {arXiv preprint arXiv:2601.13871},
year = {2026}
}