أصبح العد غير المرتبط بالفئة (Class-agnostic counting) مؤخرًا مهمة أكثر عملية، تهدف إلى توقع عدد وتوزيع أي كائنات نموذجية، بدلًا من عد فئات محددة مثل المشاة أو السيارات. ومع ذلك، فإن الطرق الحديثة تم تطويرها من خلال تصميم قواعد مناسبة للتطابق في التشابه بين الكائنات النموذجية والصور الاستعلامية، مع إغفال مسألة مرونة السمات المستخلصة. لمعالجة هذه المشكلة، نقترح استخدام تبديل تلقائي مُعدّل حسب المقياس (scale-prior deformable convolution)، من خلال دمج معلومات الكائنات النموذجية، مثل الحجم (scale)، في هيكل الشبكة الأساسية للعد. نتيجة لذلك، يمكن للشبكة المقترحة استخلاص سمات معنوية للكائنات المشابهة للكائنات النموذجية المعطاة، وتصفية الخلفيات غير ذات صلة بشكل فعّال. علاوةً على ذلك، لاحظنا أن الخسائر التقليدية من النوع L2 والخسائر العامة (generalized loss) غير مناسبة للعد غير المرتبط بالفئة نظرًا لتباين أحجام الكائنات بين العينات المختلفة. ولحل هذه المشكلة، نقترح خسارة عامة حساسة للمقياس (scale-sensitive generalized loss)، التي تُعدّل صيغة دالة التكلفة وفقًا للكائنات النموذجية المُعطاة، مما يجعل الفرق بين التنبؤ والقيمة الحقيقية أكثر بروزًا. أظهرت التجارب الواسعة تحسنًا ملحوظًا في أداء النموذج، وحقق أداءً متميزًا على مستوى الحالة الحالية (state-of-the-art) في معيار عد غير مرتبطة بالفئة مفتوح المصدر. يُمكن الوصول إلى الشفرة المصدرية عبر الرابط التالي: https://github.com/Elin24/SPDCN-CAC.