تستند الطرق الحديثة لعد الأشخاص في المشاهد المزدحمة إلى الشبكات العميقة لتقدير كثافة الحشد. عادةً ما تستخدم هذه الطرق نفس المرشحات على صورة كاملة أو على مساحات صورية كبيرة. بعدها فقط، تقوم بتقدير المقياس المحلي لتعويض تشوه المنظور. يتم تحقيق هذا عادةً من خلال تدريب تصنيف مساعد لاختيار أفضل حجم نواة من مجموعة محدودة من الخيارات لكل مساحة صورية محددة مسبقًا. وهكذا، فإن هذه الطرق ليست قابلة للتدريب من النهاية إلى النهاية ومقيدة في نطاق السياق الذي يمكنها الاستفادة منه.في هذا البحث، نقدم هندسة عميقة قابلة للتدريب من النهاية إلى النهاية تجمع بين الخصائص المستخلصة باستخدام أحجام متعددة للمجالات المستقبلة وتتعلم أهمية كل خاصية في كل موقع صوري. بعبارة أخرى، يكيف نهجنا ترميز المقياس للمعلومات السياقية المطلوبة بدقة لتنبؤ كثافة الحشد. وهذا يؤدي إلى خوارزمية تتفوق على أفضل طرق عد الحشد، خاصة عندما تكون آثار المنظور قوية.