DCA-MoE：自适应跨层融合与密度路由专家用于人群计数

人群计数必须在视角、头部比例、遮挡和背景杂乱的严重变化下恢复可靠的局部密度。尽管现代计数目标提供了强大的空间监督，但许多多级解码器仍然使用空间不变的特征融合，并对每个位置应用一种感受野模式。我们提出了 DCA-MoE，这是一个框架，它使两个决策都依赖于内容，同时保留冻结的 DINOv3 编码器。空间自适应层融合 (SALF) 预测四个对齐主干特征上的位置权重，密度路由多感受野专家 (DR-MoE) 为每个位置分配本地、中范围和大上下文残差专家的软混合。 EBC 式头重建块密度，而 DMCount 监督和辅助路由平衡项训练解码器而不更新主干。在 NWPU-Crowd 验证拆分中，基于 DINOv3 ViT-L/16 的最强配对配置获得 31.7 MAE 和 72.2 RMSE；匹配的ViT-B/16完整模型获得配对的32.2/75.9。跨数据集结果仍然混合，并且多个组件基线当前报告从单个种子中独立选择的最小值。因此，证据支持空间自适应融合和路由的可行性，而更广泛的配对和多种子评估对于因果归因仍然是必要的。