Junto con el aumento de los atascos de tráfico, el conteo preciso de vehículos en imágenes de vigilancia se está volviendo cada vez más difícil. Los métodos de conteo actuales basados en mapas de densidad han logrado una tremenda mejora debido a la prosperidad de las redes neuronales convolucionales. Sin embargo, dado que a menudo aparecen fenómenos altamente superpuestos y sofisticados de variación a gran escala dentro de imágenes densas, ni los métodos tradicionales de CNN ni los métodos de transformadores de autoatención de tamaño fijo pueden implementar un conteo exquisito. Para aliviar estos problemas, en este documento, proponemos un enfoque novedoso de conteo de vehículos, a saber, la red de atención de sinergia (SAN), unificando los beneficios de los transformadores y las convoluciones para realizar asignaciones de conteo densas de manera efectiva. Específicamente, se diseña un marco piramidal para utilizar de forma adaptativa las características de múltiples niveles para un mejor ajuste en tareas de conteo. Además, se personaliza un bloque de transformador de sinergia (SyT), donde se equipa una estructura de doble transformador para capturar la atención global y la información consciente de la ubicación. Finalmente, también se presenta un módulo de Acumulación de Atención de Ubicación (LAC) para explorar las regiones de ponderación más eficientes y significativas. Experimentos extensos demuestran que nuestro modelo es muy competitivo y alcanzó un nuevo rendimiento de vanguardia en los conjuntos de datos de TRANCOS.