[논문 리뷰] City-Wide Perceptions of Neighbourhood Quality using Street View Images

Emily Muller, Emily Gemmell외 7명|arXiv (Cornell University)|2022. 11. 22.

Urban Transport and Accessibility인용 수 4

한 줄 요약

이 논문은 런던의 스트리트 뷰 이미지와 현장에서 수집된 평가를 활용하여 도시 거주자들이 주거지의 보행 가능성을 어떻게 인식하는지에 대해 도시 특화된 방법론을 제안한다. 70,000장의 스트리트 뷰 이미지를 수집하고, 사용자 선호도를 기반으로 딥 러닝 모델을 훈련한 후, 그레이터 런던 전역에 걸쳐 보행 가능성 점수를 매핑함으로써, 고해상도의 인식 기반 도시 계획을 가능하게 하며, 정의와 재생을 위한 실질적인 통찰을 제공한다.

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/.

연구 동기 및 목표

• 스트리트 레벨 영상 자료를 활용하여 도시 거주자들의 도시 주거지 품질 인식을 측정하기 위한 확장 가능하고 도시 특화된 프로토콜을 개발하기 위해.
• Place Pulse와 같은 글로벌 인식 데이터셋의 한계를 보완하기 위해 도시 내부의 인식 변화에 초점을 맞추기 위해.
• 딥 러닝과 현장 평가를 활용하여 런던 전역에 걸쳐 고해상도의 인식 기반 보행 가능성 지도를 제작하기 위해.
• 사용자 중심의 지표를 통해 불평등을 식별하고 재생 계획을 안내하며 정책을 제안함으로써 도시 계획을 지원하기 위해.
• 다른 도시들이 스트리트 뷰에서 유도된 인식 데이터를 활용해 도시의 활기를 평가할 수 있는 재현 가능한 프레임워크를 제공하기 위해.

제안 방법

• 도로 네트워크를 따라 20미터 간격으로 스트리트 뷰 이미지를 수집하여 그레이터 런던 전역의 약 70%의 도로를 커버하기 위해.
• 쌍대 비교 영상 평가 설문을 위한 웹 애플리케이션을 설계: '어느 거리에서 걷는 것을 더 선호하시겠습니까?'.
• 아마존 메카니컬 터크(AMT)를 활용하여 1,200명 이상의 참가자로부터 120만 건의 쌍대 비교 평가를 확보하였으며, 7개의 인식 차원을 분석하기 위해.
• 이미지 특징에서 보행 가능성 점수를 예측하기 위해 딥 컨volution 네트워크(CNN)를 훈련하였으며, 극단적 점수의 불균형 문제를 해결하기 위해 과표본화 기법을 적용함.
• 모델에 종속되지 않는 해석 기법을 적용하여 높은 및 낮은 보행 가능성 인식과 관련된 특징을 분석함.
• 그레이터 런던 전역에 걸쳐 공간적으로 해상도가 높은 보행 가능성 점수 지도를 제작하였으며, 출력 영역(Output Areas)은 평균 점수의 디실 기준으로 색상 코드화함.

실험 결과

연구 질문

• RQ1 스트리트 뷰 영상과 현장 평가를 활용하여 도시 특화된 보행 가능성 인식을 체계적으로 대규모로 수집할 수 있는 방법은 무엇인가요?
• RQ2 도시 특화 인식 데이터로 훈련된 딥 러닝 모델이 도시 환경에서 인간의 보행 가능성 선호도를 얼마나 일반화하여 예측할 수 있나요?
• RQ3 녹지, 도로 벽의 연속성, 도시 설계 요소와 같은 인식 특징은 런던에서의 보행 가능성 인식과 어떻게 관련이 있나요?
• RQ4 런던의 주거지 전역에서 보행 가능성 인식의 공간 분포는 어떻게 되며, 주민들이 인식한 가장 보행에 유리하고 가장 불리한 지역은 어디인가요?
• RQ5 현장 평가자 풀의 다양한 인구 통계 집단에서 모델의 성능은 어떻게 달라지며, 이는 대표성에 어떤 영향을 미치나요?

주요 결과

• 도로 네트워크를 따라 20미터 간격으로 이미지를 샘플링하여 그레이터 런던 전역에서 약 70%의 도로 커버리지를 달성함.
• 딥 러닝 모델은 보행 가능성 점수 예측에서 중간 수준의 성능을 보였으며, 보행 가능성의 주관적이고 맥락 의존적인 성격으로 인해 다른 인식 차원에 비해 정확도가 낮음.
• 평가 점수는 평균 μ=25를 중심으로 정규 분포를 따르며, 꼬리 부분의 행동을 개선하기 위해 극단적 값에 대한 과표본화 기법을 사용함.
• 모델에 종속되지 않는 해석 기법을 통해 녹지, 건물 연속성, 보행자 인프라 등이 높은 보행 가능성 인식과 강하게 연관되어 있음.
• 공간 지ap핑 분석을 통해 런던의 각 부 Borough 간 보행 가능성 인식에 상당한 변동성이 있음을 확인하였으며, 높은 점수는 중심부 및 녹지 코어 지역에 집중되어 있음.
• 이 방법은 고해상도의 인식 기반 도시 지도 제작이 가능하게 하여, 정의 중심 도시 계획을 지원하고 재생 또는 투자 필요 지역을 식별하는 데 기여함.