最近の歩行者検出手法は、重度の隠蔽（occlusion）に対処するため、可視領域のバウンディングボックスラベルなどの追加的な教師情報に依存していることが一般的である。本研究では、二段階型の歩行者検出フレームワーク内において、歩行者数と提案領域の類似性情報を活用する手法を提案する。歩行者数および提案領域の類似性は、歩行者検出器の訓練に一般的に用いられる標準的な全身アノテーションから導出される。提案するカウント重み付き検出損失関数は、重なりが大きい歩行者における検出誤差に高い重みを付与する。この損失関数は、二段階検出器の両段階で利用される。さらに、歩行者数と提案領域の類似性を予測する「カウント・類似性ブランチ」を二段階検出フレームワーク内に導入する。最後に、カウントおよび類似性を考慮したNMS（非最大値抑制）戦略を提案し、互いに異なる提案領域を識別する。本手法は、部位情報や可視領域のバウンディングボックスアノテーションを一切必要としない。CityPersonsおよびCrowdHumanデータセット上での実験により、両データセットにおいて新たなSOTA（最先端）性能を達成した。特に、CityPersonsテストセットの重度隠蔽（extbf{HO}）セットにおいて、ログ平均ミス率（log-average miss rate）の観点から、現在のSOTAに対して絶対的な2.4%の向上を達成した。さらに、本手法が人間インスタンスセグメンテーション問題にも適用可能であることを実証した。コードおよびモデルは、以下より公開されている：https://github.com/Leotju/CaSe。