Dans le dénombrement de foule, chaque image d’entraînement contient plusieurs personnes, chacune étant annotée par un point. Les méthodes existantes de dénombrement de foule nécessitent l’utilisation d’une gaussienne pour lisser chaque point d’annotation ou pour estimer la probabilité de chaque pixel à partir du point annoté. Dans cet article, nous montrons qu’imposer des gaussiennes aux annotations nuit à la performance de généralisation. À la place, nous proposons une méthode appelée Distribution Matching for crowd COUNTing (DM-Count). Dans DM-Count, nous utilisons le Transport Optimal (OT) pour mesurer la similarité entre la carte de densité prédite normalisée et la carte de densité vérité terrain normalisée. Pour stabiliser le calcul du transport optimal, nous intégrons une perte de variation totale dans notre modèle. Nous démontrons que la borne d’erreur de généralisation de DM-Count est plus serrée que celle des méthodes basées sur le lissage gaussien. En termes d’erreur absolue moyenne, DM-Count surpasse largement les méthodes précédemment état de l’art sur deux grands jeux de données, UCF-QNRF et NWPU, et atteint des résultats de pointe sur les jeux de données ShanghaiTech et UCF-CC50. DM-Count réduit l’erreur du résultat publié précédemment de l’état de l’art d’environ 16 %. Le code est disponible à l’adresse suivante : https://github.com/cvlab-stonybrook/DM-Count.