2020 年 COVID-19 疫情期间，众多研究小组都努力寻找有效的方法确定纽约市之类主要城市街道上的流动模式和人群密度，以深入了解居家和保持社交距离政策的效果。但让成队的研究人员前往街头观察并记录这些数据会让研究人员暴露在感染风险之中，这种风险正是这些政策想要遏制的。纽约大学（NYU）智能交通互联城市迈向无障碍和弹性交通中心（C2SMART）是美国交通部资助的一级交通运输中心，研究人员开发出了一种解决方案，不仅消除了研究人员的感染风险，还可以很容易接入现有的公共交通摄像头馈送基础设施，而且还提供了关于人群和交通密度的数据，这些数据比以往编译过的数据都更加全面，并且无法用传统的交通传感器轻易检测到。

为了实现这一目标，C2SMART 的研究人员利用纽约市交通局（DOT）700 多个地点的公开视频源，采用了一种基于摄像头的深度学习对象检测方法，让研究人员无需走上街头，就能计算行人和交通密度。C2SMART 主管、纽约大学教授 Kaan Ozbay 表示：“我们的想法是利用这些 DOT 摄像头馈送并记录，更好地了解行人的社交距离行为。”Ozbay 及其团队编写了一个“爬虫”——本质上是一种自动索引视频内容的工具——从互联网上的视频源获得低质量的图像。然后使用现成的深度学习图像处理算法处理视频的每一帧，以了解每一帧图像所包含的内容：公共汽车、汽车、行人、自行车等。该系统还在不影响算法有效性的前提下，模糊了所有人脸之类的可识别图像。这个系统可帮助决策者了解从保持社交距离行为等危机管理到交通拥堵等一系列广泛的问题。