Zustandsderkunst-Methoden zur Zählung von Personen in dicht besetzten Szenen basieren auf tiefen Netzen, um die Menschenmenge zu schätzen. Sie verwenden in der Regel dieselben Filter über das gesamte Bild oder über große Bildabschnitte. Erst danach wird die lokale Skala geschätzt, um die Perspektivverzerrung zu kompensieren. Dies wird in der Regel durch das Training eines Hilfsklassifikators erreicht, der für vordefinierte Bildabschnitte die beste Kerngröße aus einer begrenzten Menge von Optionen auswählt. Somit sind diese Methoden nicht end-to-end trainierbar und eingeschränkt in dem Kontextumfang, den sie nutzen können.In dieser Arbeit stellen wir eine end-to-end trainierbare tiefe Architektur vor, die Merkmale verwendet, die mit verschiedenen Rezeptorfeldgrößen gewonnen werden, und lernt die Bedeutung jedes solchen Merkmals an jedem Bildpunkt. Mit anderen Worten: Unser Ansatz kodiert die erforderliche Skala des kontextuellen Informationsinhalts adaptiv, um die Menschenmenge genauer vorhersagen zu können. Dies führt zu einem Algorithmus, der den aktuellen Stand der Technik bei der Zählung von Menschenmassen übertreffen kann, insbesondere wenn Perspektiveffekte stark ausgeprägt sind.