计算机视觉技术量化城市变迁

来源:http://www.temizlikoyunlari.com 作者:历史 人气:107 发布时间:2019-11-23
摘要:“通过‘街道分数’,我们可以创造出高分辨率的地图,而训练集里只需要不到3000幅图像。”纳克说,研究表明,根据人工智能和地理空间数据,研究人员能够以前所未有的规模与分辨

“通过‘街道分数’,我们可以创造出高分辨率的地图,而训练集里只需要不到3000幅图像。”纳克说,研究表明,根据人工智能和地理空间数据,研究人员能够以前所未有的规模与分辨率,考察建筑环境、人口状况和城市研究。

据了解,来自斯坦福大学的研究人员们完成了一个雄心勃勃的项目——通过分析谷歌街景(Google Street View)上收集到的数百万张照片,可以对社区投票模式作出准确的预测。这一迹象表明,计算机能够像文本分析一样流利地进行图像分析。

过去几十年里,城市的物理变迁,包括公共的、私人的基础设施的演变,一直都是决策者与经济学、社会学和城市规划学学者关注的领域。但是,在纳克与他的同伴看来,由于缺乏量化的、动态的、可衡量的方式,考察城市变迁存在一定的局限性。因此,他们开发了一种计算机视觉方法——“街道变化”(Streetchange),使研究者能够处理街景程序中的时间序列图像,量化城市变迁。从谷歌应用程序中获取的全景图都有唯一识别码,并与一个经度、纬度以及时间戳相关联。研究人员通过选择与图像相应的经纬度,并设置相同的街景车相机的角度,从全景图中剪辑出图像,从而获得同一地点相同视角下不同时间点的图像。

从这些图像中,他们能够搜集到大约2200万辆汽车(占全国所有汽车的8%),3000个邮政编码和39000个投票区的信息。研究人员将这些数据与包括人口普查局的美国社区调查和总统选举投票记录在内的其他资料交叉引用后发现,他们能够准确预测邻里的收入,种族,教育以及投票模式。

此外,研究人员考察了谢林的隔离理论。虽然他们的研究数据支持隔离理论的基本假设,即好的会更好,差的会更差。但是,他们发现的是一个线性关系,而不是隔离理论提出的非线性关系。数据确实显示出原本不错的社区,改善水平更快;但是数据并未发现,“最初没有吸引力的社区,随着时间的推移变得越来越糟”。

【编辑推荐】

在研究人员看来,越来越多的综合训练数据集和新的机器学习算法的应用,使得对街头景象的自动分类和标注图像的任务更加容易。同时,它们为计算机视觉、城市规划、城市社会学,以及城市经济学提供了新的交叉学科文献。

研究还采用了一种机器学习算法——“街道分数”(Streetscore),用于计算城市街景的安全度。这个算法分为三个步骤:将图像进行几何分层,包括地面、建筑、树以及天空;用图像处理技术对图像中的形状和纹理进行编码;通过以街道与建筑特点建立的模型为街区算出安全度分数。研究人员表示,利用这个算法计算,如果得出的是正值,表明街道景观得到了改善;如果是负值,则说明街道景观在变差。

图片 1

城市社会学研究的侵入理论,强调位置与社会关系网,认为商业中心或者其他具有吸引力的物理空间会产生“溢出”效应,从而使其周边环境随之改善。该研究团队认同这种“溢出”效应:离中央商业区越远,街区获得的分数越低。

在新近发展的人工智能技术的帮助下,研究人员能够分析大量的图像、提取可以进行排序和挖掘的数据来预测一些事情,比如某个社区的收入水平、政治倾向、购物习惯等。

图像与数据直观呈现城市状态

图片 2

检验城市变迁传统理论

图片 3

几十年来,人文社科学者对城市外观的重要性以及可能促成城市景观变化因素进行了讨论。基于对城市变迁三个经典理论——人力资本聚集理论、侵入理论与谢林的隔离理论的考察,此次研究主要采用了计算机视觉算法,考察了某个时间段街区的物理面貌变化。

在斯坦福大学计算机视觉科学家Timnit Gebru的带领下,研究人员使用软件分析了近五千万幅街景和位置数据的图像。他们的目标是找到可用于预测邮政编码和分区(通常包含大约1000人)水平的人口统计数据。

本文由365bet在线手机版发布于历史,转载请注明出处:计算机视觉技术量化城市变迁

关键词:

最火资讯