通过构建一个受重力模型推动的区域移动性图和使用传递感知的图卷积网络模型，我们提出了一种从街景图像中评估疫情暴露风险的低成本、可扩展的方法，实验证明该模型在加权 F1 评价指标上比基准模型提升了 8.54%。

Nov, 2023

计算机视觉基于街景图像的分析对环境评估产生了转变性影响，本文质疑了使用该专有数据源的现行实践，提出了团队的关注点和对开放数据原则的倡导。

Feb, 2024

本文主要阐述了城市视觉信息在城市研究中的重要性以及新的图像数据和 AI 技术如何改变了城市研究的方式并引入了 Urban Visual Intelligence 的概念框架，使得城市的物理环境和社会经济环境在各种尺度上相互作用并研究可能有助于城市在数字时代创造更符合人类行为和愿望的环境。

Jan, 2023

我们的研究在阿姆斯特丹市通过对地面和空中影像的数据和模型进行测试，以识别住房质量。结果显示，相较于仅使用空中影像，Google StreetView（GSV）能够预测出最准确的建筑质量分数，提高了约 30%。然而，通过仔细筛选和使用正确的预训练模型，将 Flickr 图像特征与空中图像特征相结合，能将性能差距从 30% 降低至 15%。这表明在可居住性因素预测方面，存在可行的替代方法，这是令人鼓舞的，因为 GSV 图像难以获取并且并非总是可用。

Mar, 2024

该研究通过对人群亚组之间的疾病分类器性能分析，发现低诊断率造成的表现差异引起了关注，进一步强调了在训练数据中嵌入的人类偏见可能会放大现有的健康差异，并探讨了评估模型公正性的一些困难。

Jan, 2022

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

本研究探讨了社会人口统计学、建筑环境特征和环境危害暴露特征在确定社区癌症患病率方面的相互作用。通过使用来自美国五个大都市统计区的数据：芝加哥，达拉斯，休斯敦，洛杉矶和纽约，该研究实施了一个 XGBoost 机器学习模型来预测癌症患病率的程度，并评估了不同特征的重要性。研究结果表明，年龄、少数民族地位和人口密度是癌症患病率中最具影响力的因素之一。同时，研究还探讨了可减轻癌症患病率的城市规划和设计策略，重点关注绿地、开发区和总排放量。通过一系列基于因果推断的实验评估，研究结果显示，增加绿地、减少开发区和总排放量可以缓解癌症患病率。本研究的发现为城市特征和社区健康之间的相互作用提供了更好的理解，并显示可解释的机器学习模型在促进公共卫生的综合城市设计中的价值。该研究还为城市规划和设计提供了可操作性的见解，强调了通过综合城市设计策略来解决城市健康差距的多方面方法的必要性。

Jun, 2023

通过一种新的分析框架，我们展示了如何系统性、客观地研究医学图像中的偏见对人工智能模型的影响，并评估偏见缓解策略在性能差异方面的有效性，从而支持开发健壮、负责任的临床人工智能。

Nov, 2023

研究通过 Instagram 中用户提供的标签与机器标注标签的数据来源的可行性及其对公共健康状况的研究价值，发现二者均可用于推断县域健康状况，并提出了机器标注标签在研究物质滥用方面的应用潜力。

Dec, 2015

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