Exemplar-Free Counting zielt darauf ab, Objekte von Interesse zu zählen, ohne auf umfangreiche Annotationen von Objekten oder Exemplaren zurückzugreifen. Um dies zu erreichen, schlagen wir ein Gated Context-Aware Swin-UNet (GCA-SUNet) vor, das ein Eingabebild direkt auf die Dichtekarte der zählbaren Objekte abbildet. Insbesondere bilden eine Reihe von Swin-Transformern einen Encoder, um eine robuste Merkmalsrepräsentation abzuleiten. Ein Gated Context-Aware Modulation Block ist entwickelt worden, um durch ein Schaltmechanismus irrelevante Objekte oder Hintergrund zu unterdrücken und durch eine Selbstähnlichkeitsmatrix die aufmerksamkeitsgestützte Darstellung der Objekte von Interesse auszunutzen. Die Schaltrategie wird auch in das Flaschenhalsnetzwerk und den Decoder des Swin-UNets integriert, um die für die Objekte von Interesse relevantesten Merkmale hervorzuheben. Durch explizites Ausnutzen der Aufmerksamkeitsunterstützung zwischen den zählbaren Objekten und Eliminierung irrelevanter Merkmale durch die Schaltmechanismen fokussiert sich das vorgeschlagene GCA-SUNet auf die Zählung der Objekte von Interesse, ohne auf vordefinierte Kategorien oder Exemplare angewiesen zu sein. Experimentelle Ergebnisse anhand realweltlicher Datensätze wie FSC-147 und CARPK zeigen, dass GCA-SUNet signifikant und konsistent bessere Leistungen als state-of-the-art Methoden erzielt. Der Quellcode ist unter https://github.com/Amordia/GCA-SUNet verfügbar.