[논문 리뷰] Urban Mosaic: Visual Exploration of Streetscapes Using Large-Scale Image Data

Fábio Miranda, Maryam Hosseini외 4명|arXiv (Cornell University)|2020. 08. 31.

Land Use and Ecosystem Services참고 문헌 67인용 수 6

한 줄 요약

Urban Mosaic는 뉴욕 시의 도시 구조를 분석할 수 있도록 도와주는 시각적 분석 도구로, 1년간 수집된 770만 장의 스트리트 레벨 이미지 데이터를 기반으로 한다. 컴퓨터 비전 기반의 이미지 유사도 검색, LSH 인덱싱, 그리고 시공간적 도시 데이터 통합을 통해 인간 척도에서의 도시 변화를 효율적으로 비교 분석할 수 있도록 지원한다.

ABSTRACT

Urban planning is increasingly data driven, yet the challenge of designing with data at a city scale and remaining sensitive to the impact at a human scale is as important today as it was for Jane Jacobs. We address this challenge with Urban Mosaic,a tool for exploring the urban fabric through a spatially and temporally dense data set of 7.7 million street-level images from New York City, captured over the period of a year. Working in collaboration with professional practitioners, we use Urban Mosaic to investigate questions of accessibility and mobility, and preservation and retrofitting. In doing so, we demonstrate how tools such as this might provide a bridge between the city and the street, by supporting activities such as visual comparison of geographically distant neighborhoods,and temporal analysis of unfolding urban development.

연구 동기 및 목표

• 도시 규모의 도시 변화 분석에 도움을 주면서도 인간 척도에서의 삶의 질과 접근성에 미치는 영향을 고려하는 데 목적이 있다.
• 기존 도구인 Google 스트리트 뷰와 같은 도구에서의 희박한 시기적 커버리지와 수작업 점검의 한계를 극복한다.
• 대규모 스트리트 레벨 이미지 데이터에 대한 자동화, 확장성 있고 상호작용 가능한 시각적 탐색을 도와주기 위해 도시 계획가와 디자이너를 지원한다.
• 지리적, 시간적 도시 데이터(예: 지구구역, 범죄, 날씨 등)를 통합하여 시각적 분석의 깊이를 더하고 근거 기반 의사결정을 지원한다.
• 데이터 기반의, 시각적으로 기반을 둔 탐색을 통해 거시적 도시 계획과 미시적 인간 경험 사이의 격차를 메운다.

제안 방법

• 2016년 4월부터 2017년 4월까지 맨해튼과 브롱크스에서 자동차에 장착된 카메라를 이용해 촬영한 770만 장의 스트리트 레벨 이미지 데이터셋을 활용한다.
• 이미지에서 시각적 특징을 추출하기 위해 컴퓨터 비전 기법을 적용하여 콘텐츠 기반의 이미지 유사도 검색 및 군집화를 가능하게 한다.
• 이미지 특징을 인덱싱하기 위해 국소성 민감한 해싱(Locality-Sensitive Hashing, LSH)을 사용하여 메모리 사용량을 줄이고, 상호작용 가능한 탐색을 위한 빠른 쿼리 응답 시간을 확보한다.
• 지리적 위치와 시간에 따라 이미지를 선택하고 집계할 수 있도록 지원하여, 다양한 지역 간 및 시간에 따른 시각적 비교를 가능하게 한다.
• 외부 도시 데이터 소스(예: 인구 조사, 범죄, 주택 가격, 소음 민원 등)를 통합하여 이미지 기반 쿼리를 필터링하거나 맥락화한다.
• 도시 계획가, 건축가, 접근성 전문가와의 협업을 통해 개발되었으며, 초기 평가와 요구사항 수렴을 통해 사용자 요구사항을 반영하였다.

실험 결과

연구 질문

• RQ1 대규모이고 시기적으로 빈도가 높은 스트리트 레벨 이미지 데이터는 어떻게 인간 척도에서의 도시 구조 탐색을 지원할 수 있는가?
• RQ2 자동화된 시각적 검색과 군집화는 도시 환경의 가상 점검에 소요되는 시간과 노력을 얼마나 줄일 수 있는가?
• RQ3 시공간적 도시 데이터 통합은 도시 계획에서의 시각적 분석의 해석 가능성과 유용성을 어떻게 향상시킬 수 있는가?
• RQ4 Tactile paving 설치와 같은 도시 디자인 변화의 식별과 평가에 시각적 분석 도구인 Urban Mosaic는 어떤 방식으로 기여할 수 있는가?
• RQ5 이러한 도구는 실무자들이 실제 현장 방문의 우선순위를 정하고 데이터 기반의 도시 디자인 결정보를 내리는의 해를 어떻게 지원할 수 있는가?

주요 결과

• Urban Mosaic는 자동화된 이미지 유사도 검색을 통해 지리적으로 떨어진 지역 간의 시각적 비교를 효율적으로 가능하게 하여 스트리트 레벨 이미지 탐색에 대한 수동적 탐색 의존도를 낮춘다.
• 시스템은 고시기 해상도를 지원하여, 터치패드 설치와 같은 도시 특징의 시간에 따른 변화를 높은 시각적 정밀도로 추적할 수 있다.
• 외부 데이터(예: 지구구역, 범죄, 재산가격 등) 통합은 시각적 쿼리를 향상시켜 도시 상태에 대한 맥락 인식 탐색을 가능하게 한다.
• Kohn Pedersen Fox, Draw Brooklyn, NYU 소속 실무자들은 이 도구가 가상 점검 및 현장 선정을 단순화함으로써 도시 계획 워크플로우를 근본적으로 변화시킬 수 있을 것이라고 평가했다.
• LSH 기반의 인덱싱 방식은 메모리 사용량을 크게 줄이고, 테라바이트 규모의 이미지 데이터에 대한 상호작용 가능한 탐색을 가능하게 하였다.
• 사례 연구를 통해 Urban Mosaic가 도시 유산 보존 평가나 노인층의 접근성 장애 요소 식별과 같은 실질적인 도시 디자인 작업을 지원하는 데 기여함을 입증하였다.