本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

Sep, 2021

介绍了一个包括 234 个高清摄像头记录的多摄像头跟踪数据集，从纳什维尔市附近的一段 8-10 车道长约 4.2 英里的高速公路同时录制了 234 小时的视频数据。该数据集包含高密度交通状况下的 500 + 个物体，典型物体持续时间为 3-15 分钟。通过手动校正车辆行驶场景中的 GPS 轨迹，为跟踪评估提供了一组地面真实轨迹，并为每个摄像头提供了物体检测结果。初步对检测跟踪算法进行了基准测试，结果表明在长时空间范围内进行交通场景理解所需的跟踪性能不足。

Sep, 2023

本研究提出了一种新方法，通过整合深度学习、图像处理和几何计算来解决观测车辆定位问题，通过移动传感器或 MV 上搭载的单目摄像头，可以成功地动态地估计车辆的经纬度信息。

Mar, 2022

探索在 Planet 影像中检测汽车的方法，并建立大规模的移动物体向量场。在高分辨率 SkySat 卫星和中分辨率 SuperDove 卫星上，静态和移动的汽车均可以可靠地识别。通过利用移动物体的带间位移（或 “彩虹” 效应），我们能够估计移动车辆的速度和方向。而在中分辨率 SuperDove 卫星上识别汽车和卡车更加困难，但同样观察到了彩虹效应，从而使移动车辆能够被检测和向量化。Planet 卫星的频繁重访使得能够对感兴趣的广泛区域和长时间范围内的汽车和卡车活动模式进行分类。

Jun, 2024

该研究实施了一个三阶段的视频分析框架，用于从道路上的摄像头提取高分辨率的交通数据，关键组成部分包括目标识别、透视转换和车辆轨迹重建，可以用于改善交通管理、识别危险驾驶行为以及减少事故和伤亡风险。

Jan, 2024

该研究提出了一种利用卫星图像对地面车辆进行精确定位的方法，其采用基于地面 - 卫星特征字典的视觉定位方法，可以在不需要密集的地面图像数据库的情况下估计任意位置的可能性，并通过学习定位判别特征投影矩阵进一步提高精确度，在公共数据集上得到了显著的改进。

Oct, 2015

本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。

Apr, 2022

本文提出了一种语义感知变换的方法，将仪表板摄像机视图中的检测结果映射到场景的更广泛、俯视的占用图中，通过大量的合成数据和深度神经网络的训练实现，结果表明该模型能够在真实世界的数据上进行泛化。

Jun, 2017

通过筛选 20 篇研究论文，本研究全面回顾了从对应的卫星图像合成街景图像的最新技术，主要发现是：（i）需要采用新颖的深度学习技术来合成更加逼真准确的街景图像；（ii）需要收集更多的数据集供公众使用；（iii）需要研究更加具体的评估指标来恰当评估生成的图像。结论是，由于使用了过时的深度学习技术，最近的文献未能生成详细多样的街景图像。

May, 2024

自动驾驶汽车的导航系统需要准确理解周围环境，本文提出了一个替代方法，通过生成场景的顶视图，提取其他车辆相对于自我车辆的距离和方向，同时通过将透视图 RGB 图像转换为鸟瞰地图的方法，有效捕捉了自动驾驶汽车所需的重要环境信息。

Nov, 2023