Introduction
本论文主要是用CNN网络计算人群进出流量的。主要贡献在于：
1.通过3个CNN模型，估计进入和离开人群的数量。与传统方法比，这种方法在实际场景下有更好的鲁棒性。此外，这个方法结合了分类CNN（对于人流模型，进入或退出）和回归CNN模型（人流数量），一般的方法只是直接用回归CNN模型计算人数。
2.建立了一个包含140,000个时间切片图，其中有7个真实场景和许多人。
3.在恶劣的天气条件下仍然有良好的性能。
Architecture of the algorithm
网络的基本架构如下所示：
可以看出分为4个模块：时间切片模块、计算所有人数的回归CNN模块、人流分类CNN模块、计算进出人数比例的CNN回归模块。
时间切片模块包括对原始图像进行切片和对光流图进行切片。切片方法是LOI（在一段时间内通过侦测线的人群的数目）。原始图像用于对人群总数的计算，光流图用于进出人数和类型的计算。
计算总人数的回归CNN模块：网络结构与AlexNet的结构相似，如下所示。包含5层卷积层和2层全连接层。在分类任务中，用一个softmax分类器作为网络的结尾，而在回归任务中，用均方根误差作为损失函数。
人流类型分类模块：因为离开和进入的人都已经标注好了，在光流图中能很容易辨认出来。用光流图就可以训练出分类器。我们专门设计了一个卷积网络，如下所示：
比例计算模块：网络结构与分类网络结构一样。
创新点
没有直接计算进出人流量，而是通过计算比例和总人数间接计算出进出流量。
不足之处
1.为了保证实时，网络不能太复杂，再加上用比例计算，所以准确程度可能不高。
2.标注太困难。尤其是标注人流类型。