本文描述了利用分层多尺度注意模型,主动学习语义分割和 Crowd+AI 评估人行道状态和易达性特征等方法,从卫星图像中半自动构建人行道网络拓扑结构的初步工作,并呼吁建立标准化的步行街景场景数据库和基准。
Jun, 2022
本研究利用伦敦和波士顿的数据,通过众包平台的投票结果及 Flickr 元数据分析,自动为用户提供除最短路径之外、更美丽、安静和快乐的路线建议。
Jul, 2014
使用深度神经网络从街景图像和卫星图像中自动提取视觉特征以估计伦敦房屋价格,实验表明学习街区的城市质量可以提高房屋价格预测,即使推广到未被看见的伦敦自治市镇。
Jul, 2018
本研究使用移动电话数据与视觉感知数据分别作为城市区域的活跃度和安全性的代理,并使用卷积神经网络评估了城市街景中的感知安全分数,结果发现感知安全对活跃度的影响与人口年龄有关,绿化和朝街窗户对城市感知安全有积极的影响,该结果为城市规划等相关领域提供了有价值的参考。
Aug, 2016
通过对感知的研究,本文提出了一种分析和理解自行车安全感知以及建筑环境和骑行背景对此感知的影响的新方法。城市规划可以利用这个评分来提高干预措施的效果,改善骑行促进活动,并且这种方法可以在不同地点或背景下进行快速评估和连续评估骑行环境的变化。
Jul, 2023
利用卷积神经网络从大规模的人类认知感知数据集中学习,在全球范围内量化城市环境感知现象的关系。
本研究利用机器学习和全面的街景图像数据集,探讨纽约市的城市安全挑战,以识别城市景观与犯罪率之间的关系,并特别关注街景特征与犯罪率的相关性,从而为城市规划和犯罪预防提供见解,凸显环境设计在提升公共安全方面的潜力。
Apr, 2024
城市转型对个人和社区产生了深远的社会影响。本研究通过收集大规模的街景时间序列数据集,提出了一种端到端的变化检测模型,能够有效捕捉城市环境的实际变化,为城市转型的精细评估提供了可能。
Jan, 2024
为评估城市街道中社交活动的定位而提出了一个考察社交活动定位的新的基准数据集 (ELSA),利用城市社会学和设计的理论框架,包含 937 张手动标注的图像和 4300 多个多标签边界框,用于个人和群体活动的分类,公开供研究社区使用。
Jun, 2024
本研究通过分析大量 Foursquare 用户的数据,研究了全球多个大都市的城市移动性模式,发现了影响城市人类移动的关键因素:原地和目的地之间的地点数量,而非纯物理距离,经过排名计算的移动模型可以准确地捕捉不同城市的真实人类移动,这为城市规划、基于位置的广告甚至社会研究提供了新的启示。
Aug, 2011