Los enfoques de conteo de multitudes débiles supervisados basados en MLP han avanzado significativamente en los últimos años. Sin embargo, debido a los conjuntos de datos limitados, los métodos actuales basados en MLP no consideran el problema de la dependencia de región a región en la imagen. Por ello, proponemos un método débilmente supervisado denominado SR2. SR2 consta de tres partes: módulo de razonamiento de escala, módulo de clasificación de escala y rama de regresión. En particular, el módulo de razonamiento de escala extrae y fusiona la dependencia de región a región en la imagen y múltiples características de escala, luego envía las características fusionadas a la rama de regresión para obtener recuentos estimados; el módulo de clasificación de escala se utiliza para comprender mejor la información interna de la imagen y expandir eficientemente los conjuntos de datos, lo que ayudará a mejorar la precisión de los recuentos estimados en la rama de regresión. Realizamos experimentos extensos en cuatro conjuntos de datos de referencia. Los resultados finales mostraron que nuestro enfoque tiene un rendimiento de conteo mejor y más alto en competencia con respecto a otras redes de conteo débilmente supervisadas y en comparación con algunas redes de conteo completamente supervisadas populares.