LOCA网络不是纸上谈兵，它在真实数据集上的表现令人惊叹。在FSC147这个标准测试数据集上，LOCA与其他方法的差距非常明显。具体来说，在标准的少样本计数任务中，LOCA将平均绝对误差（MAE）降低了22.0%和9.7%，均方根误差（RMSE）降低了31.0%和33.4%，远超其他方法。这意味着LOCA在估计物体数量时的偏差更小，更接近真实值。 更值得注意的是，LOCA在处理高密度场景时表现尤为出色。在那些包含大量物体的图像中，其他方法通常会遇到严重的定位问题，导致计数错误。而LOCA即使在这些极具挑战性的场景中，也能将计数误差减少近50%。想象一下，如果要数一张拥挤的音乐节照片中有多少人，其他方法可能会高估或低估几百人，而LOCA的误差可能只有几十人。 在单样本计数任务中，也就是只给定一个标注样本的情况下，LOCA同样表现优异。它比专门为单样本设计的方法LaoNet的MAE低13.6%，RMSE低23.5%和16.3%。这表明LOCA具有很强的泛化能力，即使在极少信息的情况下也能准确推断物体数量。 更令人惊讶的是，LOCA在零样本计数任务中也达到了一流水平。零样本意味着没有任何标注样本，完全依靠模型自身的推理能力。在这种极端情况下，LOCA的RMSE比最好的专用零样本计数方法低了6.5%和0.5%。这证明了LOCA的OPE模块成功地将可训练的显著性查询适应为强大的物体原型，即使在没有手动标注样本的极端情况下也能准确估计数量。 LOCA的优势不仅体现在准确性上，还体现在泛化能力上。在一个名为CARPK的车辆计数数据集上进行的跨数据集测试中，LOCA的MAE比最近的最先进方法BMNet+低4.5%，RMSE低9.2%。这意味着LOCA可以轻松适应新的、未见过的场景，这在实际应用中非常重要。 LOCA还与专业的目标检测器进行了比较。在FSC147的COCO子集上，LOCA不仅超过了其他计数方法，还超过了专门的目标检测器，如FasterRCNN、MaskRCNN和RetinaNet。在Val-COCO上，LOCA的MAE比最好的方法低31%，RMSE低36%。这表明即使在有大量训练数据的情况下，LOCA的低样本学习方法也可以与专门训练的检测器相媲美或超越它们。 LOCA生成的密度图质量也非常高。与其他方法相比，LOCA产生的密度图具有更清晰的物体定位能力，能更好地区分物体和背景。在处理小物体时，LOCA表现尤为突出，密度图中的物体位置更加明确。这可能是由于LOCA考虑了形状信息，从而能更稳健地处理图像内的物体大小变化。 在计算复杂度方面，LOCA保持了相对简洁的设计。它的参数量比CounTR少近3倍，可训练参数量少近10倍，同时在参数数量和计算复杂度方面与其他最先进的方法相当。这表明LOCA的出色性能来自于方法上的改进，而不是靠增加复杂度。
