城市视觉智能：利用街景图像揭示隐藏的城市轮廓 | PNAS 速递

原创 集智编辑部 集智俱乐部

关键词：城市视觉智能，城市科学，计算机视觉，特征提取

论文题目：Urban visual intelligence: Uncovering hidden city profiles with street view images

期刊名称：PNAS

论文链接：https://pattern.swarma.org/paper/d275ec7e-14ca-11ee-9f2e-0242ac17000d

长期以来，与城市相关的科学研究通常用城市形态来理解城市。然而，人们尚不清楚的是，城市居民的日常生活在多大程度上可以利用城市环境的视觉线索来反映。在该研究中，为解决上述问题，学者们对美国80个县的2700万张街景图像应用计算机视觉模型。利用通过街景图像识别的显著城市特征（如街道、人行道、建筑立面和植被）的空间分布来预测其邻近地区的社会经济状况。

图1. 研究数据和方法。(A) 特征提取程序示意图：该研究收集了七个选定大都市地区街道网络沿线的 GSV (Google Street View）和 POI 数据来构建 SVF (street view features)；(B) 使用从POI、SVF和其他人口统计变量构建的特征，建立模型来估计一系列社区社会经济变量 (Y)，并比较模型结果以评估 SVF 的标定效果。这些被选中的社会经济变量主要围绕城市健康、交通、犯罪和贫困。

该研究结果表明，仅这些城市特征就可以解释83%的人们出行行为差异、62%的贫困状况差异、64%的犯罪行为差异和68%的健康行为差异。模型结果优于仅基于兴趣点（points of interest, POI）、人口和其他人口统计数据的模型。此外，结合从街景图像中捕获的城市特征可以将这些其他方法的解释度提高5%~25%。该研究提出“城市视觉智能”是一个通过计算机视觉和街景图像发现隐藏的城市状况、推断和综合城市信息的过程。本研究为未来对这该过程感兴趣的城市研究奠定了基础。

图2. 使用SVF来估计健康、犯罪、交通和贫困。(A) 模型散点图拟合R方比较。在估计大多数变量时，单独使用SVF的模型通常优于基于POI特征的模型 ；(B) 使用SVF估计运输相关变量的R方；(C) 使用SVF估计健康相关变量的R方；(D) 比较在CBG (census block group)和 CT (census tract) 尺度下使用SVF和POI特征之间的模型拟合R方。

编译｜胡一冰

原标题：《城市视觉智能: 利用街景图像揭示隐藏的城市轮廓 | PNAS 速递》

阅读原文