利用基于深度学习的计算机视觉方法，该研究使用 2008 年至 2021 年间的 1500 万街道图像来测量伦敦的变化，成功地识别了住房供应的变化，为城市规划和政策决策提供及时信息，以建设更宜居、公平和可持续发展的城市。

Sep, 2023

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

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。

Aug, 2016

通过筛选 20 篇研究论文，本研究全面回顾了从对应的卫星图像合成街景图像的最新技术，主要发现是：（i）需要采用新颖的深度学习技术来合成更加逼真准确的街景图像；（ii）需要收集更多的数据集供公众使用；（iii）需要研究更加具体的评估指标来恰当评估生成的图像。结论是，由于使用了过时的深度学习技术，最近的文献未能生成详细多样的街景图像。

May, 2024

本文利用计算机视觉技术从 Google 街景图像中的车辆数量预测美国城市的收入、碳排放、犯罪率等城市属性，并探讨城市中车辆与人口属性之间的关系，以实现对城市的大规模社会学分析。

Sep, 2017

使用街景图像进行定位时，精细定位角度的准确度对于提高街景图像的定位和地理定位任务的性能至关重要。本研究提出了两种方法，实现了对街景图像角度的细致估计，相较于以前的方法，准确度提高了 34.9% 至 28.2%。在训练中整合了精细定位角度估计，进一步提升了地理定位的性能。

Jul, 2023

本文提出了一种基于深度神经网络的 UrbanFM 方法，通过粗粒度的输入生成细粒度的人流分布，进而实时推断城市内的人流情况。在实验中，与七个基线方法相比，UrbanFM 方法在真实数据集上表现出了最先进的状态，在推断细粒度城市流问题上表现得非常有效和高效。

Feb, 2019

本文分析了如何利用 Google 地图上的遥感图像进行城市规模的树木检测与物种识别，并提出了一种基于卷积神经网络的分类方法以及一种树木改变监测方法。通过实验证明该方法能够检测出超过 70% 的城市树木，正确地对超过 80% 的 40 种不同类型的树木物种进行分类，以及正确地检测并识别超过 90% 的变化操作。

Oct, 2019

Street View-level Imagery (SVI) 的自动下载、处理、裁剪和过滤方法以及用于评估人们对这些图像所描绘街道的感知的智能手机友好型调查软件的公开分析和复用方法。

Feb, 2024

利用预训练自然语言模型的新框架，结合街景图像和机器学习，深入理解人类感知和场景感受之间的关系，并发现利用深层语义特征对于人类感知研究的重要性和解释力的提升。

Nov, 2023