混雑したシーンでの群衆数の推定は、非一様なスケール変動のため非常に困難な課題となっています。本論文では、群衆数分類と密度マップ推定を共同で学習する新しいCNNのカスケードネットワークを提案します。群衆数を様々なグループに分類することは、画像全体の総数を粗く推定することに相当し、これにより密度推定ネットワークに高レベルの事前情報を組み込むことができます。これによってネットワーク内の層が全体的に関連性のある識別特徴量を学習し、より精緻な密度マップを低誤差で推定することが可能になります。共同訓練はエンドツーエンドで行われます。公開されている非常に難易度の高いデータセットを使用した広範な実験により、提案手法が最近の最先端手法よりも低い誤差とより優れた品質の密度マップを達成していることが示されています。