计数在农业生产中扮演着重要角色，是产量预估、发育期观测、植物表性分析等一系列任务的核心所在。随着科技进步，诸多农事操作逐渐由机械取代了人工，但是国内外田间作物计数依然依赖于人工。这种人工计数耗时耗力、低效易错，且会对作物造成不可逆的损伤。更为关键的是人工计数无法方式满足现代农业中大尺度、高吞吐量数据分析的需求。为了提高生产率、解放劳动力，近年来有不少自动化解决方案被提出。然而，大部分方法的研究对象处于可控环境，因此往往无法有效的应用于实际的无约束田间环境。为了更好的解决无约束田间条件下的目标计数问题，论文以玉米雄穗为对象，基于计算机视觉展开研究。
　　首先，针对当前技术水平方法因缺失上下文信息而无法对图片边缘目标准确计数的问题，论文提出了上下文信息融合局部计数回归网络。针对模型训练过程中样本不均衡问题，论文受分类任务中焦点损失的启发构建了焦点回归损失。玉米雄穗计数数据集上的实验结果验证了论文网络结构以及损失函数的有效性。此外，论文还引进了若干前沿目标检测与计数算法，并在玉米穗数据集上对它们进行了全面的评估与分析，希望为相关研究人员提供一个可靠的参考。
　　其次，不同于现存方法将目标计数看作回归问题，论文通过将计数值离散化至不同数值区间将其重定义为分类任务。然而，分类任务采用的损失函数一般为交叉熵，在网络更新过程中它同等看待负类别样例。考虑到目标计数任务中不同类别(每个区间看作一个类)之间存在顺序信息，论文提出了均值-方差损失作为交叉熵损失的补充以充分利用类别间的顺序信息。在玉米穗计数数据集上，论文对提出的方法进行了充分的验证。
　　最后，论文首次考虑了目标计数中的领域适应问题。农业背景下的计算机视觉模型只能基于历年数据构建，却要应用于未知的田间场景。品种、年份、地域等因素的容易导致数据分布产生较大差异，因此模型性能会明显下降。为了纠正这种分布差异，论文提出了基于H-散度进行特征分布对齐的无监督域适应局部计数回归模型。在玉米穗计数数据集上，论文以品种这一因素为对象验证了域适应的必要性以及论文方法的有效性。
　　总之，论文以田间玉米雄穗为对象，探究了田间作物计数问题，提出了若干基于计算机视觉技术的解决方法。论文的研究对于农业自动化中的计数任务有着重要的理论与应用价值。