[论文解读] 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 4

一句话总结

本文提出了一种基于街景图像与众包评分的伦敦城市特定方法，用于评估城市居民对邻里步行性的感知。通过收集70,000张街景图像，利用用户偏好训练深度学习模型，并在大伦敦地区绘制步行性评分地图，本研究实现了高分辨率、基于感知的都市规划，为公平性与再生提供可操作的见解。

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/.

研究动机与目标

• 开发一种可扩展的、城市特定的协议，利用街景图像测量居民对城市邻里质量的感知。
• 通过聚焦城市内部感知差异，弥补全球感知数据集（如Place Pulse）的局限性。
• 利用深度学习与众包评分，在伦敦创建高分辨率、基于感知的步行性地图。
• 通过用户中心的度量指标，识别不平等现象，指导再生工作，并为政策制定提供支持，以促进城市规划。
• 为其他城市提供可复现的框架，通过街景图像衍生的感知数据评估城市活力。

提出的方法

• 以20米间隔沿道路采集伦敦70,000张街景图像，实现约70%的街道覆盖率。
• 设计一个网络应用以托管成对图像评分调查：'您更愿意在哪个街道步行？'
• 使用Amazon Mechanical Turk（AMT）收集超过120万次成对比较，来自1,200多名参与者，涵盖7个感知维度。
• 训练一个深度卷积神经网络（CNN），从图像特征预测步行性评分，通过极端评分的过采样处理类别不平衡问题。
• 应用模型无关的可解释性技术，分析与高/低步行性感知相关联的特征。
• 生成大伦敦地区步行性评分的空间解析地图，以输出区域按平均得分的十分位数进行着色。

实验结果

研究问题

• RQ1 如何利用街景图像与众包方式，在大规模上系统性地收集城市特定的步行性感知？
• RQ2 在城市特定感知数据上训练的深度学习模型，在预测城市环境中人类步行性偏好的泛化能力如何？
• RQ3 在伦敦，感知特征如绿化、街道墙面连续性及城市设计元素与感知步行性之间存在何种相关性？
• RQ4 伦敦各邻里之间的感知步行性空间分布如何？居民识别出的最宜人与最不宜步行的区域分别位于何处？
• RQ5 众包标注者群体中不同人口统计群体的模型表现如何变化？这对代表性有何影响？

主要发现

• 通过沿道路网络以20米间隔采样图像，本研究在大伦敦地区实现了约70%的街道覆盖率。
• 深度学习模型在预测步行性评分方面表现出中等性能，准确率低于其他感知维度，可能由于步行性具有主观性和情境依赖性。
• 感知评分呈以μ=25为中心的正态分布，通过极端值的过采样以改善模型对尾部分布的学习。
• 模型无关的可解释性分析表明，绿化、建筑连续性及行人基础设施等特征与更高的步行性感知显著相关。
• 空间制图显示，伦敦各 borough 之间的步行性感知存在显著差异，高分集中于市中心及郊区绿化廊道。
• 该方法实现了高分辨率、基于感知的城市制图，可为公平性导向的城市规划提供支持，并识别出需要再生或投资的区域。