一个用于深度学习汽车分类、检测和计数的大规模上下文数据集

我们从俯视图像中创建了一个大型多样的汽车数据集，这些图像对于训练深度学习模型进行二分类、检测和计数非常有用。该数据集及相关材料将公开发布。数据集中包含有助于识别困难目标的上下文信息。我们使用名为ResCeption的神经网络在该数据集上展示了分类和检测的效果。该网络结合了残差学习（residual learning）和Inception风格的层，能够在一次查看中完成汽车计数。这是一种新的物体计数方法，而非通过定位或密度估计来实现。这种方法具有较高的准确性、速度快且易于实施。此外，计数方法并不特定于汽车或场景。很容易将此方法训练为对其他类型的物体进行计数，并且在新场景中进行计数时无需额外设置或假设物体位置。