[論文レビュー] City-Wide Perceptions of Neighbourhood Quality using Street View Images

Emily Muller, Emily Gemmell+7 more|arXiv (Cornell University)|Nov 22, 2022

Urban Transport and Accessibility被引用数 4

ひとこと要約

本稿では、ロンドンのストリートレベル画像とクラウドソーシングによる評価を用いて、都市住民の地域の歩きやすさへの認識を都市別に評価する手法を提案する。7万枚のストリートビュー画像を収集し、ユーザーの好みに基づいて深層学習モデルを訓練し、グレーター・ロンドン全域にわたり歩きやすさスコアをマッピングすることで、高解像度で認識に基づいた都市計画が可能となり、公平性向上や再生計画に向けた実行可能なイン사이트を提供する。

ABSTRACT

The interactions of individuals with city neighbourhoods is determined, in part, by the perceived quality of urban environments. Perceived neighbourhood quality is a core component of urban vitality, influencing social cohesion, sense of community, safety, activity and mental health of residents. Large-scale assessment of perceptions of neighbourhood quality was pioneered by the Place Pulse projects. Researchers demonstrated the efficacy of crowd-sourcing perception ratings of image pairs across 56 cities and training a model to predict perceptions from street-view images. Variation across cities may limit Place Pulse's usefulness for assessing within-city perceptions. In this paper, we set forth a protocol for city-specific dataset collection for the perception: 'On which street would you prefer to walk?'. This paper describes our methodology, based in London, including collection of images and ratings, web development, model training and mapping. Assessment of within-city perceptions of neighbourhoods can identify inequities, inform planning priorities, and identify temporal dynamics. Code available: https://emilymuller1991.github.io/urban-perceptions/.

研究の動機と目的

• ストリートレベルの画像を用いて、都市住民の都市地域の質に対する認識を測定するスケーラブルで都市別に特化したプロトコルの開発。
• グローバルな認識データセット（例：Place Pulse）の限界を補うために、都市内における都市認識のばらつきに焦点を当てる。
• 深層学習とクラウドソーシングによる評価を用いて、ロンドン全域にわたり高解像度の認識ベースの歩きやすさマップを作成する。
• 住民中心の指標を用いて、格差の特定、再生計画の支援、政策立案の支援を通じて都市計画を支援する。
• 他の都市がストリートビューから得られる認識データを用いて都市の活気を評価するための再現可能フレームワークを提供する。

提案手法

• 道路に沿って20メートル間隔で画像を収集することで、グレーター・ロンドンの約70％のストリートカバレッジを達成するため、7万枚のストリートビュー画像を収集。
• 2枚の画像を比較して「どちらの通りで歩きたいですか？」という質問を提示するウェブアプリケーションを設計し、ペアワイズ評価調査を実施。
• アマゾン・メカニカル・トル（AMT）を用いて、1,200名以上の参加者から120万件のペアワイズ比較を、7つの認識次元について収集。
• 画像の特徴から歩きやすさスコアを予測するための深層畳み込みニューラルネットワーク（CNN）を訓練し、極端なスコアの不均衡を補うために過剰サンプリングを適用。
• モデルに依存しない解釈可能性技術を用いて、高・低歩きやすさ認識に関連する特徴を分析。
• グレーター・ロンドン全域にわたり、空間的に解像度の高い歩きやすさスコアのマップを生成。出力領域（Output Areas）は平均スコアのデシルごとに色分けされている。

実験結果

リサーチクエスチョン

• RQ1 ストリートビュー画像とクラウドソーシングを用いて、どのように都市別に歩きやすさの認識をスケールアップして体系的に収集できるか？
• RQ2 都市別に特化した認識データで訓練された深層学習モデルは、都市環境における人間の歩きやすさ好みを予測するためにどの程度一般化するか？
• RQ3 緑地、壁面の連続性、都市設計要因といった認識特徴は、ロンドンにおける歩きやすさの認識とどの程度相関しているか？
• RQ4 ロンドンの地域における歩きやすさの認識の空間的分布はどのようになっており、住民が最も歩きやすく、最も歩きにくいと感じる地域はどこか？
• RQ5 クラウドソーシングによるアノテーターチームの異なるデモグラフィックグループにおいて、モデルの性能はどのように変動し、代表性にどのような含意をもたらすか？

主な発見

• 20メートル間隔での画像サンプリングにより、グレーター・ロンドンで約70％のストリートカバレッジを達成した。
• 深層学習モデルは歩きやすさスコアの予測において中程度の性能を示したが、歩きやすさの主観的・文脈依存的な性質のため、他の認識次元に比べて精度が低かった。
• 認識スコアは平均μ=25を中心とする正規分布に従い、モデル学習における末尾行動の改善を図るため、極端な値の過剰サンプリングが行われた。
• モデルに依存しない解釈可能性技術により、緑地、建物の連続性、歩行者インfraが高歩きやすさ認識と強く関連していることが明らかになった。
• 空間マッピングにより、ロンドンの各自治体における歩きやすさ認識に顕著なばらつきが確認され、中央部および郊外の緑地コリドーに高いスコアが集中していた。
• 本手法により、高解像度で認識に基づいた都市マッピングが可能となり、公平性を重視した都市計画を支援し、再生や投資が求められる地域を特定できる。