Apprendre à Compter N'importe Quoi : Comptage Indépendant des Classes sans Référence avec une Supervision Faible

Les méthodes actuelles de comptage indépendantes de la classe peuvent être généralisées à des classes inconnues, mais elles nécessitent généralement des images de référence pour définir le type d'objet à compter, ainsi que des annotations d'instances lors de l'entraînement. Le comptage indépendant des classes sans référence est un domaine émergent qui identifie le comptage comme une tâche fondamentalement basée sur la reconnaissance de répétitions. De telles méthodes facilitent le comptage dans un ensemble d'objets en constante évolution. Nous montrons qu'un espace de caractéristiques général avec un contexte global peut énumérer les instances présentes dans une image sans a priori sur le type d'objet. Plus précisément, nous démontrons que la régression à partir des caractéristiques du transformateur visuel, sans supervision au niveau des points ou images de référence, est supérieure aux autres méthodes sans référence et compétitive par rapport aux méthodes utilisant des images de référence. Nous illustrons cela sur l'actuel jeu de données standard pour le comptage en quelques exemples, FSC-147. Nous proposons également un jeu de données amélioré, FSC-133, qui supprime les erreurs, les ambiguïtés et les images répétées du FSC-147, et nous démontrons des performances similaires sur ce dernier. À notre connaissance, nous sommes la première méthode de comptage indépendante des classes sans référence supervisée faiblement.