초록
현재의 클래스 무관 카운팅 방법은 알려지지 않은 클래스로 일반화할 수 있지만, 보통 객체의 유형을 정의하기 위해 참조 이미지가 필요하며, 훈련 중에는 인스턴스 주석이 필요합니다. 참조 없는 클래스 무관 카운팅은 카운팅이 본질적으로 반복 인식 작업임을 식별하는 새로운 분야입니다. 이러한 방법들은 변화하는 집합 구성에서 카운팅을 용이하게 합니다. 우리는 전역 컨텍스트를 갖는 일반적인 특징 공간이 객체 유형에 대한 사전 지식 없이 이미지 내 인스턴스를 열거할 수 있음을 보여줍니다. 특히, 포인트 레벨 감독이나 참조 이미지 없이 비전 트랜스포머 특징으로부터 회귀하는 방법이 다른 참조 없는 방법들보다 우수하며, 참조 이미지를 사용하는 방법들과 경쟁력 있다는 것을 증명합니다. 이는 현재 표준 소수 샷 카운팅 데이터셋인 FSC-147에서 확인되었습니다. 또한, FSC-147의 오류, 모호성 및 반복된 이미지를 제거한 개선된 데이터셋인 FSC-133을 제안하고, 이 데이터셋에서도 유사한 성능을 보이는 것을 입증하였습니다. 최선의 지식으로서, 우리는 처음으로 약간의 감독만으로도 참조 없는 클래스 무관 카운팅 방법을 제시하였습니다.