本文提出了一种使用深度学习和机器视觉技术从 Google Street View 车辆在美国 200 个城市的街道场景中获取汽车数量信息，进而估计美国社会经济趋势和社会人口统计的方法，结果表明自动化系统可以有效补充劳动密集型方法，并具有实时感。

Feb, 2017

利用卷积神经网络从大规模的人类认知感知数据集中学习，在全球范围内量化城市环境感知现象的关系。

Aug, 2016

利用大规模人类流动数据来构建一种可以预测不同类型犯罪在各行政区划内发生年度数量的模型，并提高预测的准确性，并且对主要犯罪类别的预测特征进行了深入分析，为城市政策或执法部门提供了有价值的信息。

Jun, 2018

本文提出了一种基于三维包围盒的车辆细粒度识别方法，不局限于特定视角，通过 CNN 网络的训练与改进，较之其他算法提高了 12% 的识别准确率。

Mar, 2017

通过高分辨率航拍图像，利用监督卷积神经网络和基于视觉词袋的半监督聚类方法，从公开可获取的城市图像准确估计美国各地区的人口密度、家庭收入中位数和教育水平，并开拓用于地理概括和无需标记数据的细粒度信息估计的新的半监督方法。

Sep, 2023

通过深度学习和优化方法，本文探讨了从低分辨率、高遮挡和大透视的网络摄像头视频中理解交通密度的问题，并提出了两种方法：一种是基于排名约束回归的方法，另一种是基于全卷积网络的方法。在一个大规模的交通视频数据集上进行了广泛的评估和比较。其中全卷积网络的方法相对于现有的基线取得了显著的改善。收集和标记的大规模交通视频数据集可以解决现有数据集所面临的限制。

Mar, 2017

该研究提供了针对 CompCars 监控数据的细粒度分类的初步实验结果，同时提供了更新后的数据集的训练 / 测试拆分，详见第 6 节。

Jun, 2015

本文分析了如何利用 Google 地图上的遥感图像进行城市规模的树木检测与物种识别，并提出了一种基于卷积神经网络的分类方法以及一种树木改变监测方法。通过实验证明该方法能够检测出超过 70% 的城市树木，正确地对超过 80% 的 40 种不同类型的树木物种进行分类，以及正确地检测并识别超过 90% 的变化操作。

Oct, 2019

该论文提出了一个包含 84162 个图像的大规模和细粒度的汽车数据集，用于检测 12 种不同类型的汽车零部件。为了减轻手动注释的负担，提出了一种新颖的半监督自动标注方法，并研究了零样本标注的 Grounding DINO 方法的局限性。最后，通过训练几个轻量级的 YOLO 系列检测器，评估了所提出的数据集的有效性。

Nov, 2023

利用深度学习模型对美国每个 0.01 平方度单元格的高分辨率人口估计进行了研究，并比较了直接调查和解聚群体技术的优劣。

Aug, 2017