クラスに依存しないカウント（class-agnostic counting）は、近年、より実用的なカウントタスクとして注目されつつある。このタスクは、歩行者や車といった特定のカテゴリをカウントするのではなく、任意の例示オブジェクト（exemplar object）の数と分布を予測することを目的としている。しかし、従来の手法は、例示オブジェクトとクエリ画像の間の適切な類似性マッチングルールを設計することに焦点を当てていたが、抽出された特徴量のロバスト性には十分な配慮がなされていなかった。この問題に対処するため、本研究では、例示オブジェクトの情報（例：スケール）を統合することで、スケール事前知識を有する可変形状畳み込み（scale-prior deformable convolution）を提案する。これにより、提案するカウントネットワークは、与えられた例示オブジェクトと類似した意味的特徴を効果的に抽出でき、関係のない背景を明確にフィルタリングすることが可能となる。さらに、異なるサンプルにおけるオブジェクトスケールの多様性から、従来のL2損失や一般化損失（generalized loss）がクラスに依存しないカウントタスクには不適切であることを発見した。そこで、例示オブジェクトに応じて損失関数の定式化を動的に調整できるスケール感受性のある一般化損失（scale-sensitive generalized loss）を提案する。この損失関数により、予測値と正解値の差をより顕著に表現できる。広範な実験の結果、本モデルは公開されているクラスに依存しないカウントベンチマークにおいて顕著な性能向上を達成し、最先端の性能を実現した。ソースコードは、https://github.com/Elin24/SPDCN-CAC にて公開されている。