本研究使用无监督机器学习方法对美国建筑进行分类，解决了建筑类型信息匮乏的问题。结果显示在非住宅建筑分类中具有高精度，在住宅建筑分类中具有高召回率。数据集包含了67,705,475栋建筑，将为城市及交通规划等科学研究提供重要价值。

该文介绍了一种基于神经网络的区域聚合层，用于训练像素级密度估计器，反映图像区域中对象的数量。该方法不需要针对密度函数的领域特定假设。作者在合成数据集和卫星图像上评估了该方法，发现与常用基线相比，该方法能得到更好的密度估计值。作者还展示了如何使用该方法将建筑分类为住宅或非住宅。