[论文解读] 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 5

一句话总结

本文提出了一种机器学习框架，通过地理标记的卫星图像和透视图像预测个人的城市偏好，建模个体的‘指示性’城市感知，而非客观的城市质量。通过在多样化全球城市图像上应用深度学习，该框架能够以高精度预测特定观察者喜爱的地点，实现超越传统排名系统的个性化城市偏好建模。

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.

研究动机与目标

• 建模个体城市偏好，而非依赖客观城市排名或社会学调查。
• 开发一种系统，在特定观察者尚未亲临某地之前，预测其可能喜欢的城市地点。
• 利用来自多样化城市文化背景的地理标记视觉数据，训练个性化偏好模型。
• 将关注点从全球城市质量指标转向个体化的、主观的城市感知。
• 通过学习的个人偏好模型，实现个性化城市规划与推荐系统。

提出的方法

• 使用来自全球多样化城市环境的数千张地理标记卫星图像和透视图像。
• 采用最先进的机器学习技术，包括深度神经网络，从图像中提取视觉和空间特征。
• 通过学习个体观察者对城市景观的评分，训练个性化偏好模型。
• 基于观察者的独特视觉和空间偏好，构建预测喜爱地点的谱系。
• 利用迁移学习和表征学习，实现在多样化城市文化与视觉风格之间的泛化。
• 将视觉嵌入与用户特定反馈相结合，生成个性化城市偏好预测。

实验结果

研究问题

• RQ1 如何在个体尚未亲身体验城市之前，建模并预测其个人城市偏好？
• RQ2 地理标记的视觉数据在多大程度上能代表个体对城市环境的个性化感知？
• RQ3 机器学习系统能否基于个体的视觉偏好预测其喜爱的城市地点？
• RQ4 个人城市偏好模型在不同文化和视觉城市语境下有何差异？
• RQ5 学习的个人模型在预测未知喜爱城市地点方面的表现如何？

主要发现

• 该模型即使在观察者未实际访问某地的情况下，也能以高精度预测其喜爱的城市地点。
• 当基于地理标记视觉数据进行训练时，个性化偏好模型可在多样化城市文化间实现泛化。
• 该系统在未见城市地点上表现出显著的预测性能，证明其对视觉和文化差异具有鲁棒性。
• 从地理标记图像中提取的视觉特征，对建模主观城市偏好具有高度信息量。
• 该方法优于依赖通用城市质量指标或全球排名的基线模型。
• 结果验证了利用深度学习处理地理标记图像来建模指示性、观察者特定的城市感知的可行性。