流量分析“Understanding Traffic Density from Large-Scale Web Camera Data”

探索了使用优化的方法和深度学习的方法，进行交通密度分析。在不进行车辆检测和跟踪的情况下，将致密的图像特征映射成车辆密度。优化的方法基于Rank Constrained回归，深度学习的方法基于FCN。回归的方法学习图像不同块的不同权值，嵌入道路几何降低相机透视带来的问题。FCN法使用残差学习网络估计车辆密度和车辆数目，进行端到端的致密预测，允许任意图像尺寸输入，适应不同车辆尺度和视角。

交通密度分析，目前方法的问题：
1.检测法：faster RCNN，检测不到概率很高；
2.运动法：低帧率缺少运动信息；
3.整体法：Spatiotemporal Gabor Filters；效果较差；
4.深度学习法：目标计数，输出1D特征向量，不能进行像素级预测，且缺少空间信息。输出密度图大学与输入图尺寸不同。

OPT-RC
将目标区域分块，提取每个块的特征，减背景，如下图所示，将每个块的特征线性映射到车辆密度，为避免大视角带来的大误差，每个块建立一个具有不同权值的回归器，学习最有的权值，所有权值堆到一个权值矩阵。为捕获不同块间的关系，对权值矩阵施加rank constraint。大视角，不同块对应的车辆密度不同，权值矩阵反应权值向量间的多样性及相关性。最终，交通密度由车辆数目除以区域大小得到。

FCN-MT
全卷积神经网络目标检测面临的两个问题：目标尺度的变化和分辨率的降低。为解决尺度变换的问题，进行多任务学习，即全局数目回归和密度估计。单任务的密度估计促使网络趋于真值密度，直接加和密度获得数目，这种方法受遮挡和大尺寸车辆影响。多任务学习提供了更多的监督信息，作者更设计了残差学习网络，将全局计数回归重构成残差函数。特征分辨率的降低是有池化和跨步造成，论文综合浅层特征解决这个问题，FCN-MT结构如下图所示：

实验结果
WebCamT样本标记：

密度图比较：