بالنسبة لعد التجماهر في الأشخاص، ومشكلة التشوه الخلفي وتغير مقياس الجماهير بشكل حاد، مما يؤدي إلى سوء أداء العد، نقترح طريقة محسنة لعد التجماهر بتعزيز الاتصال الكثيف للانتباه والتحسس المقياسي. أولاً، نقوم بتصميم شبكة استخراج الميزة للاتصال الكثيف للانتباه، من خلال استخدام شبكة VGG19 المحسنة بالتضخيم كشبكة استخراج الميزة الخام للنموذج، وندمج آلية الاتصال ذاتي القناة المزدوجة لتعزيز ميزة عد التجماهر وكبح التشوه الخلفي. ثم، نقوم بتصميم إعادة تركيب التصعيد وتعزيز الميزة بالقناع الناعم والهيكل النقل، لتحقيق الاستفادة الكاملة من معلومات ميزات التجماهر على مستوى مختلف للعمق، وتغلب على مشكلة سوء أداء العد الناشئة من تغير مقياس الجماهير بشكل حاد. ثم، نقترح وحدة الدمج متعددة الدقة، لتعزيز التفاعل بين معلومات الدقة المتعددة، وتقليل الفجوة الدلالية بين دقة مختلفة، ورفع دقة عد التجماهر. أخيرًا، في تجارب مقارنة على مجموعات البيانات السكانية مثل ShanghaiTech، UCF-QNRF، JHU＿CROWD++، أظهرت النتائج أن الطريقة المقترحة تتفوق على خوارزميات المقارنة، وبالمقارنة بخوارزمية عد التجماهر DM-Count، انخفضت أخطاء MAE و MSE بنسبة 15.98٪ و 14.52٪ على التوالي، وتحققت الطريقة المقترحة أداءً أفضل في العد.

عد التجماهر;اتصال كثيف للانتباه;إعادة تركيب التحسس المقياسي;تعزيز متعدد المقياس;دمج متعدد الدقة