ECCV 2016的文章，首先建立了一个从上到下照的车辆影像数据集（即鸟瞰视角），并提出ResCeption神经网络进行训练，进一步建立residual learning with Inception-style layers，进行车辆数目的计算。该方法为车辆数目的计算的一种新方式：通过定位和密度估计方法。对于新的场景或新的目标计数也同样适用。 文章主要关注3个任务点：（1）两类的分类问题（2）目标的检测与定位（3）车辆的计数

数据集介绍

整篇文章最大的贡献之一，就是给出的数据集==该数据集分辨率为每个像素对应地面15cm，因此车辆的大小范围基本是24-48像素。其中，有两个数据集(Vaihingen, Columbus)是灰度图像，其余四个均为RGB彩 {MOD}图像。因为数据集的尺度比较一致，同时车辆大小比较单一，因此不需要尺度上的变换，而重点放在检测算法精度，以及车辆外形与旋转带来的问题。 数据集为像素级别的标签，同时每一个车在其中心位置标记一点。large trucks都被忽略掉，同时Vans and pickups被同样标记为正样本，而负样本包含boats, trailers and construction vehicles。 同时，为了在大尺度遥感影像中对训练和检测patch进行区分，将影像划分成1024*1024大小的网格，对这些网格进行标记哪些是训练区域，哪些是检测区域，使得训练与检测patch进行区分不重叠。虽然训练与检测的两种patch不重叠，但是训练样本之间可重叠，检测样本之间也可以重叠，并在停车场等密集区域，确保样本之间存在重叠。图像大小均为2048*2048，因此第4个网格的patch作为testing patch，而前3个为训练patch。 下图即为训练与检测patch的分布示意图，图中蓝 {MOD}区域为training patch areas，红 {MOD}区域为testing patch areas：
同时，数据集中的图片场景如下图展示：

Classification

在训练分类时，提出了一种上下文相关的分类训练方法，每15度方向的车辆作为一个整体进行训练，来获得模型的旋转不变性。训练中主要使用了308,988 training patches 和 79,447 testing patches，通过训练判断patch的中心区域是否包含车辆目标. 其训练模型如下右图：

其中，左图为标准的Inception layer，右图为本文提出的ResCeption layer方法，可以看出右图最主要的不同是一个1*1的卷积层被用作是一个投影的residual shortcut。 不同网络结构下的分类结果：

Detection

首先作者简要说明，其实验发现，标签的加入对于分类结果的精度，并没有很大的提高，因此对于分类任务，无需加入标签训练。然后作者进行检测任务下的实验。 在检测训练时，主要对softmax输出层计算一个热度图，其loss函数如下：

其中，等式左边p代表第p个像素位置，右边（o1）代表softmax输出层中存在车辆，（o2）代表不存在车辆。
如图，左边为热度图结果，右边为检测结果的一个举例，存在部分误检情况。 检测结果表：

Counting

在计数部分，主要对大部分像素存在图像内的车辆进行计数，同时为了使得网络能力更强，类似更深的ResNet想法，文章提出了一个double tall GoogLeNet like network，即将ResCeption layer重复使用两次，从原来的11层变成22层。文章进行了一系列的实验部分，分为几种情况，博客这里仅仅展示一种，详情实验结果参考文章。。。。 其计数分别结果如下：
计数示意图如下：

左下角数字即为计数结果，蓝 {MOD}和绿 {MOD}边界是为了区分每一个stride的大小，从图也可以看出stride之间存在重叠。6个stride共检测出74个车辆，实际为77.