自然環境における一般的な物体のカウントは、コンピュータビジョンにおいて数多くの実世界応用を持つ難問です。既存の画像レベルの監督下での一般的な物体カウント手法は、全体的な物体数を予測するのみで、物体位置を決定するためには追加のインスタンスレベルの教師あり学習に依存しています。本研究では、物体カテゴリ密度マップを構築することで、全体的な物体数と物体インスタンスの空間分布を提供する画像レベルの教師あり学習アプローチを提案します。心理学的研究に触発され、限られた物体数情報（最大4つ）を使用して画像レベルの教師あり学習をさらに削減しました。当方の知る限り、本研究は一般的な物体カウントに対する画像レベルの教師あり密度マップ推定を初めて提案し、その有効性を画像レベルの教師ありインスタンスセグメンテーションにおいて示しています。PASCAL VOCおよびCOCOデータセット上で包括的な実験が行われました。本手法は、一般的な物体カウントに関して両データセットで既存手法（インスタンスレベルの教師あり学習を使用したものを含む）を上回り、さらにPASCAL VOC 2012データセットにおいて平均最良重複率で17.8%という相対的な改善率で最先端の画像レベル教師ありインスタンスセグメンテーションも向上させています。コードリンク: https://github.com/GuoleiSun/CountSeg