العد البصري، وهو مهمة تتنبأ بعدد الأشياء من صورة أو فيديو، هو مشكلة مفتوحة بطبيعتها، بمعنى آخر يمكن أن يختلف عدد السكان نظريًا في النطاق $[0,+\infty)$[0,+∞). ومع ذلك، فإن الصور المجمعة والقيم العددية المصنفة محدودة في الواقع، مما يعني أن مجموعة مغلقة صغيرة فقط هي التي يتم رصدها. غالبًا ما تُنمذج الأساليب الحالية لهذه المهمة بطريقة الانحدار، ولكنها قد تعاني من مشاهد غير مرئية سابقًا حيث تكون القيم العددية خارج نطاق المجموعة المغلقة. في الواقع، يمكن تحليل العد. يمكن دائمًا تقسيم منطقة كثيفة حتى تكون عدات المناطق الفرعية ضمن المجموعة المغلقة السابقة. مستوحىً من هذه الفكرة، نقترح نهجًا بسيطًا ولكنه فعال، وهو شبكة التقسيم والمعركة المكانية (S-DCNet). تتعلم S-DCNet فقط من مجموعة مغلقة ولكنها تستطيع التعميم بشكل جيد على سيناريوهات مفتوحة عبر S-DC. كما أنها فعالة. لتجنب حساب الخصائص التلافيفية للمناطق الفرعية بشكل متكرر، يتم تنفيذ S-DC على خريطة الخصائص بدلاً من الصورة الإدخال. حققت S-DCNet أداءً يتفوق على أفضل الأداء السابق في ثلاثة مجموعات بيانات للعد الجماهيري (ShanghaiTech و UCF_CC_50 و UCF-QNRF)، ومجموعة بيانات للعد الآلي (TRANCOS) ومجموعة بيانات للعد النباتي (MTC). بالمقارنة مع أفضل الأساليب السابقة، أتاحت S-DCNet تحسينًا نسبيًا بنسبة 20.2% في ShanghaiTech Part B، و 20.9% في UCF-QNRF، و 22.5% في TRANCOS و 15.1% في MTC. تم توفير الكود على الرابط التالي: https://github.com/xhp-hust-2018-2011/S-DCNet.请注意，"Spatial Divide-and-Conquer Network (S-DCNet)" 和 "Spatial Divide-and-Conquer (S-DC)" 是专有名词，因此在首次出现时保留了英文缩写。此外，数据集名称如 "ShanghaiTech", "UCF_CC_50", "UCF-QNRF", "TRANCOS" 和 "MTC" 也保留了原始英文名称，因为这些名称通常是国际通用的。