Tief verbundene neuronale Netze (ConvNets) haben bei zahlreichen Aufgaben im Bereich des maschinellen Sehens beeindruckende Leistungen erzielt. Ihre Anpassung an die Menschenanzahlbestimmung in Einzelbildern befindet sich jedoch noch in einem frühen Entwicklungsstadium und leidet unter schwerwiegenden Überanpassungsproblemen. In diesem Beitrag stellen wir eine neue Lernstrategie vor, die allgemein gültige Merkmale durch tiefes negativ korreliertes Lernen (NCL) erzeugt. Konkret lernen wir eine Vielzahl voneinander unkorrelierter Regressoren tiefgreifend, wobei deren inhärente Vielfalt gezielt gesteuert wird, um eine starke Verallgemeinerungsfähigkeit zu gewährleisten. Die vorgeschlagene Methode, benannt als unkorreliertes ConvNet (D-ConvNet), ist end-to-end trainierbar und unabhängig von den Architekturen der zugrundeliegenden vollständig konvolutionellen Netzwerke. Umfangreiche Experimente an sehr tiefen VGGNet-Architekturen sowie an unserer maßgeschneiderten Netzwerkstruktur belegen die Überlegenheit von D-ConvNet gegenüber mehreren state-of-the-art-Methoden. Die Implementierung wird unter https://github.com/shizenglin/Deep-NCL veröffentlicht.