在Hajj视频中，自动化人群计数面临诸多挑战，并非因为模型能力不足，而是因为视频拍摄角度陡峭，个体间遮挡严重，且单帧画面中可出现上千人。现有的基准测试往往缺乏公开或详细的逐秒数据。
为此，我们重新审视HAJJv2数据集，并贡献HAJJv2-CrowdCount：为其测试视频提供逐秒的人类注释人群计数。利用这些注释，我们对三种近期的零样本计数范式进行了基准测试：开放词汇检测器（YOLO-World）、基于点的计数器（APGCC）以及可提示的分割计数器（SAM3Count）。
结果显示，SAM3Count在总体平均绝对误差（MAE 70.4, 95% CI 56.0-86.1）上表现最佳，领先于YOLO-World（92.0）和APGCC（152.9）。然而，在最相关的实际应用场景中，结果却有所反转：在最密集的帧中，检测和分割计数器的性能急剧下降（MAE超过300），而基于点的计数器则表现得更为平稳（MAE 114.9）。
这一反转对Hajj人群管理至关重要，因为在最密集、遮挡严重的场景中，可靠的计数尤为必要。我们发布了这些注释，以支持结果的重现和扩展。
博主点评： 该研究为Hajj人群计数提供了新的基准，特别是在密集和遮挡的环境下，强调了不同计数方法的适用性差异。这为未来的研究和实际应用提供了重要参考，尤其是在大规模活动中对人群管理的需求日益增加。