Die Objektzählung ist eine wichtige Aufgabe im Bereich der Computer Vision aufgrund des wachsenden Bedarfs in Anwendungen wie Überwachung, Verkehrsaufsicht und dem Zählen alltäglicher Objekte. Die neuesten Methoden verwenden regessionsbasierte Optimierungstechniken, bei denen sie explizit lernen, die zu zählenden Objekte zu erkennen. Diese Methoden erzielen oft bessere Ergebnisse als detektionsbasierte Ansätze, die die schwierigere Aufgabe der Vorhersage von Lage, Größe und Form jedes einzelnen Objekts bewältigen müssen. Dennoch schlagen wir eine detektionsbasierte Methode vor, die nicht die Größe und Form der Objekte abschätzen muss und dennoch bessere Ergebnisse als regessionsbasierte Methoden liefert. Unsere Beiträge sind dreifach: (1) Wir schlagen eine neuartige Verlustfunktion vor, die das Netzwerk dazu anregt, pro Objektinstanz ein einzelnes Blob auszugeben, indem es nur punktuelle Annotationen verwendet; (2) Wir entwickeln zwei Methoden zur Trennung großer vorhergesagter Blobs zwischen Objektinstanzen; und (3) Wir zeigen, dass unsere Methode neue Stand-of-the-Art-Ergebnisse auf mehreren anspruchsvollen Datensätzen erzielt, darunter Pascal VOC und der Penguins-Datensatz. Unser Ansatz übertrifft sogar solche Methoden, die stärkere Supervision wie Tiefendatenfeatures, Mehrpunkte-Annotationen und Bounding-Box-Labels verwenden.