[論文レビュー] Indexical Cities: Articulating Personal Models of Urban Preference with Geotagged Data

Diana Alvarez-Marin, Karla Saldaña Ochoa|arXiv (Cornell University)|Jan 23, 2020

Human Mobility and Location-Based Analysis参考文献 19被引用数 5

ひとこと要約

本論文は、地理的に位置付けられた衛星画像およびパースペクティブ画像を用いて、客観的な都市の質ではなく、個人の『インデクシカル』な都市認識をモデル化する機械学習フレームワークを提案する。多様なグローバルな都市の画像データを活用した深層学習により、特定の観察者にとって好ましい場所を高い精度で予測する。従来の順位付けシステムを超えた、個人に合わせた都市好みのモデリングを実現する。

ABSTRACT

How to assess the potential of liking a city or a neighborhood before ever having been there. The concept of urban quality has until now pertained to global city ranking, where cities are evaluated under a grid of given parameters, or either to empirical and sociological approaches, often constrained by the amount of available information. Using state of the art machine learning techniques and thousands of geotagged satellite and perspective images from diverse urban cultures, this research characterizes personal preference in urban spaces and predicts a spectrum of unknown likeable places for a specific observer. Unlike most urban perception studies, our intention is not by any means to provide an objective measure of urban quality, but rather to portray personal views of the city or Cities of Indexes.

研究の動機と目的

• 客観的な都市順位や社会学的アンケートに依存するのではなく、個人の都市好みをモデル化すること。
• 物理的に訪問したことがない特定の観察者に対して、好ましい都市の場所を予測するシステムを開発すること。
• 多様な都市文化からの地理的に位置付けられた視覚データを活用して、個人に合わせた好みのモデルを学習すること。
• グローバルな都市の質の指標から、個人に特化した、主観的な都市認識へと焦点を移すこと。
• 学習された個人のモデルを活用して、個人に合わせた都市計画や推薦システムを実現すること。

提案手法

• 多様なグローバルな都市環境から得た数千枚の地理的に位置付けられた衛星画像およびパースペクティブ画像を活用する。
• 画像からの視覚的・空間的特徴を抽出するために、最新の機械学習技術、特に深層ニューラルネットワークを採用する。
• 個人の観察者が都市風景に与えた評価に基づいて、個人の好みのモデルを学習する。
• 観察者の独自の視覚的・空間的好みに基づいて、好ましい場所のスケールを構築する。
• トランスファー学習と表現学習を活用して、多様な都市文化や視覚的スタイルに一般化できるようにする。
• 視覚的埋め込みとユーザー固有のフィードバックを統合し、個人に合わせた都市好みの予測を生成する。

実験結果

リサーチクエスチョン

• RQ1 物理的体験がなくても、都市の好みを個人に合わせてモデリングし、予測することは可能か？
• RQ2 地理的に位置付けられた視覚的データは、都市環境に対する個人の認識をどの程度正確に表現できるか？
• RQ3 機械学習システムは、個人の視覚的好みに基づいて好ましい都市の場所を予測できるか？
• RQ4 文化的および視覚的都市の文脈が異なる環境において、個人の都市好みモデルはどのように異なるか？
• RQ5 未知の好ましい都市の場所を予測する際、学習された個人モデルの性能はどの程度か？

主な発見

• 本モデルは、物理的訪問の有無に関わらず、特定の観察者に対して好ましい都市の場所を高い精度で予測できた。
• 地理的に位置付けられた視覚的データを用いて学習した個人の好みモデルは、多様な都市文化に一般化した。
• 未確認の都市の場所に対しても、顕著な予測性能を示し、視覚的および文化的な変動に強く対応できることが実証された。
• 地理的に位置付けられた画像から抽出した視覚的特徴は、主観的な都市好みをモデル化するのに非常に有用である。
• 一般的な都市の質指標やグローバル順位に依存するベースラインモデルよりも、本手法が優れた性能を示した。
• 本研究の結果は、地理的に位置付けられた画像を用いた深層学習が、観察者固有のインデクシカルな都市認識をモデル化する可能性を裏付けた。