본 논문은 예시가 없는 개체 수 세기를 목표로, 객체나 예시에 대한 집중적인 주석 없이 관심 있는 객체의 수를 세는 방법을 제안합니다. Gated Context-Aware Swin-UNet (GCA-SUNet)이라는 새로운 네트워크를 제안하는데, 이는 입력 이미지를 직접 세는 대상의 밀도 맵으로 매핑합니다. Swin Transformer 기반 인코더는 강력한 특징 표현을 추출하고, Gated Context-Aware Modulation 블록은 게이트 메커니즘을 통해 무관한 객체나 배경을 억제하고, 자기 유사성 행렬을 통해 관심 객체의 주의 집중적인 지원을 활용합니다. 게이트 전략은 Swin-UNet의 병목 네트워크와 디코더에도 통합되어 관심 객체와 가장 관련된 특징을 강조합니다. 관심 객체 간의 주의 집중적인 지원을 명시적으로 활용하고 게이트 메커니즘을 통해 무관한 특징을 제거함으로써, GCA-SUNet은 미리 정의된 범주 또는 예시에 의존하지 않고 관심 객체에 집중하여 개체 수를 셉니다. FSC-147 및 CARPK와 같은 실제 데이터 세트에 대한 실험 결과는 GCA-SUNet이 최첨단 방법보다 상당하고 일관되게 우수한 성능을 보임을 보여줍니다. 코드는 https://github.com/Amordia/GCA-SUNet 에서 이용 가능합니다.
