A Fixed-Point Approach to Unified Prompt-Based Counting

现有的无类别计数模型通常依赖于一种类型的提示，例如框注。本文旨在建立一个全面的基于提示的计数框架，能够为各种提示类型（例如框、点和文本）指示的相关对象生成密度图。为了实现这一目标，我们首先将来自不同模态的提示转换为提示掩码，无需进行训练。然后将这些掩码集成到一个无类别计数方法中，以预测密度图。此外，我们引入了一个固定点推理以及相关的损失函数，以提高计数精度，而不引入新的参数。这种方法的有效性在理论上和实验上都得到了证实。此外，我们实施了对比训练方案，以减轻当前无类别计数数据集中固有的数据集偏差，我们的消融研究证实了这种策略的有效性。我们的模型在著名的无类别数据集中表现出色，并在跨数据集适应任务中展现出卓越的性能。

本论文旨在建立一个全面的基于提示的计数框架，能够生成由各种提示类型（如框、点和文本）指示的相关对象的密度图，以解决现有的类别无关计数模型只能依赖于单一类型提示的问题。同时，论文还试图通过对比训练方案来缓解当前类别无关计数数据集中的数据集偏差问题。

论文将不同提示类型转换为提示掩码，并将其整合到类别无关的计数方法中，以预测密度图。此外，论文还引入了固定点推理以及相关的损失函数，以提高计数准确性，而不引入新的参数。

论文的亮点包括：1. 提出了一个全面的基于提示的计数框架；2. 引入了固定点推理和相应的损失函数以提高计数准确性；3. 实现了对比训练方案以缓解数据集偏差问题；4. 在各种数据集上进行了实验，并展示了模型在类别无关计数数据集中的优越性能。

最近的相关研究包括：1. "Counting with Focus for Free"；2. "Towards Perspective-Free Object Counting with Point Supervision"；3. "Counting without Counting: Dense Object Detection in Adversarial Settings"。