عد الأشياء هو مهمة مهمة في رؤية الحاسوب نظرًا لزيادة الطلب عليها في تطبيقات مثل المراقبة، مراقبة المرور، وعد الأشياء اليومية. تستخدم أحدث الأساليب تقنيات التحسين القائمة على الانحدار حيث يتعلم النظام صراحةً عد الأشياء محل الاهتمام. غالبًا ما تكون هذه الأساليب أفضل من الأساليب القائمة على الكشف التي تحتاج إلى تعلم المهمة الأكثر صعوبة وهي التنبؤ بموقع، حجم، وشكل كل شيء. ومع ذلك، نقترح طريقة قائمة على الكشف لا تحتاج إلى تقدير حجم وشكل الأشياء وتتفوق على الأساليب القائمة على الانحدار. إسهاماتنا ثلاثية: (1) نقترح دالة خسارة جديدة تشجع الشبكة على إنتاج كتلة واحدة لكل مثيل للشيء باستخدام شروح نقاط فقط؛ (2) نصمم طريقتين لتقسيم الكتل المتوقعة الكبيرة بين مثيلات الأشياء؛ و(3) نظهر أن طرقنا تحقق نتائج جديدة هي الأولى من نوعها في عدة مجموعات بيانات صعبة بما في ذلك مجموعة بيانات Pascal VOC ومجموعة بيانات البطاريق. حتى أن طرقنا تتفوق على تلك التي تستخدم إشرافًا أقوى مثل خصائص العمق، شروح النقاط المتعددة، والعلامات الحدودية.