Bestehende Zählmethoden verwenden häufig regressionsbasierte Ansätze und können die Zielobjekte nicht präzise lokalisieren, was eine weitere Analyse (z.B. hochwertige Verständnis- und feingranulare Klassifikation) erschwert. Darüber hinaus konzentrieren sich die meisten früheren Arbeiten hauptsächlich auf das Zählen von Objekten in statischen Umgebungen mit fest installierten Kameras. Angeregt durch den Aufkommen von unbemannten Fluggeräten (d.h. Drohnen) sind wir daran interessiert, Objekte in solchen dynamischen Umgebungen zu erkennen und zu zählen. Wir schlagen Layout Proposal Networks (LPNs) und räumliche Kerne vor, um gleichzeitig das Zählen und die Lokalisierung von Zielobjekten (z.B. Autos) in Videos zu verbessern, die von Drohnen aufgenommen wurden. Im Gegensatz zu herkömmlichen Region Proposal Methoden nutzen wir räumliche Layoutinformationen (z.B. dass Autos oft regelmäßig geparkt werden) und führen diese räumlich regulierten Einschränkungen in unser Netzwerk ein, um die Lokalisationsgenauigkeit zu erhöhen. Um unsere Zählmethode zu evaluieren, stellen wir einen neuen groß angelegten Datensatz von Parkplätzen (CARPK) vor, der fast 90.000 Autos aus verschiedenen Parkplätzen enthält. Nach unserem Wissen ist es der erste und größte Drohnenansicht-Datensatz, der das Zählen von Objekten unterstützt und Bounding-Box-Annotierungen bereitstellt.