Die klassenunabhängige Zählung ist kürzlich als eine praktikablere Zählaufgabe hervorgetreten, die darauf abzielt, die Anzahl und Verteilung beliebiger exemplarischer Objekte vorherzusagen, anstatt auf spezifische Kategorien wie Fußgänger oder Fahrzeuge zu beschränken. Allerdings basieren bisherige Methoden auf der Entwicklung geeigneter Ähnlichkeitsabgleichregeln zwischen Exemplaren und Abfragebildern, wobei jedoch die Robustheit der extrahierten Merkmale vernachlässigt wird. Um dieses Problem anzugehen, schlagen wir eine skalenpriorisierte deformierbare Konvolution vor, die Informationen aus den Exemplaren – beispielsweise deren Skalierung – in das Backbone-Netzwerk der Zählung integriert. Dadurch kann das vorgeschlagene Zählnetzwerk semantische Merkmale von Objekten extrahieren, die den gegebenen Exemplaren ähneln, und unerwünschte Hintergründe effektiv filtern. Darüber hinaus stellen wir fest, dass herkömmliche L2- und generalisierte Verlustfunktionen aufgrund der Vielfalt der Objektgrößen in verschiedenen Proben nicht geeignet sind für die klassenunabhängige Zählung. Hierfür schlagen wir eine skalenempfindliche generalisierte Verlustfunktion vor, die die Formulierung der Kostenfunktion an die gegebenen Exemplare anpasst und somit die Differenz zwischen Vorhersage und Ground Truth deutlicher hervorhebt. Umfangreiche Experimente zeigen, dass unser Modell eine bemerkenswerte Verbesserung erzielt und auf einem öffentlichen Benchmark für klassenunabhängige Zählung die derzeit beste Leistung erreicht. Der Quellcode ist unter https://github.com/Elin24/SPDCN-CAC verfügbar.