预告|GeoInsider第38期：基于街景影像与深度学习的城市空间信息挖掘

2020-09-17 23:46 作者:GeoInsider 0人读过 | 我要投稿

温馨提示：

GeoInsider茶话会——每周五上午10点，听作者分享一篇地学经典新论文!

·报告预告信息将在“科研圈内人”微信公众号发布

·视频将在B站“GeoInsider”直播和部分共享

·PPT共享QQ群:602423441与GEE QQ第2群:1102698162

欢迎关注这3个号

科研圈内人微信InsiderOfScience

GeoInsider Webinar

在线讲座系列第38期

题目：基于街景影像与深度学习的城市空间信息挖掘

报告人：Dr. Fan Zhang，Massachusetts Institute of Technology

　　　　张帆博士，麻省理工学院 MIT感知城市实验室

时间：北京时间 9月18日（周五）上午10:00

　　　加州时间 9月17日（周四）晚上7:00

　　　悉尼时间 9月18日（周五）中午12:00　　

参与方式：B站“GeoInsider”直播间平台，直播间可现场留言提问，进入方式如下二选一：

(a)B站直播间链接：https://live.bilibili.com/22243531

(b)B站直播间二维码：

摘　要

街景影像是感知城市环境的一种新型地理大数据。近年来，以深度学习和计算机视觉为代表的人工智能技术不断发展，为挖掘街景语义信息、理解和定量表达城市物质空间提供了强有力的支持。街景影像不但可以作为遥感影像的补充，以人的视角对城市空间进行观测；而且可以表达城市社会空间，反演城市物质空间背后的人类活动状况和社会经济环境，为基于大数据的人地关系研究、建成环境量化研究、空间数据挖掘与知识发现研究提供新的视角。本报告将从对地观测和社会感知两个方面，介绍街景影像在城市研究中的方法与应用。

关键词：

街景影像 street view imagery，城市研究urban studies，社会感知social sensing，深度学习deep learning，计算机视觉 computer vision

参考文献：

[1] Fan Zhang, Lun Wu, Di Zhu, and Yu Liu. Social sensing from street-level imagery: a case study in learning spatio-temporal urban mobility patterns. ISPRS Journal of Photogrammetry and Remote Sensing, 153:48–58, 2019

https://www.sciencedirect.com/science/article/abs/pii/S0924271619301133

中文解读:

https://mp.weixin.qq.com/s/STsU3eRKjcZ7euHS0fHZ-w

[2] Fan Zhang, Bolei Zhou, Liu Liu, Yu Liu, Helene H. Fung, Hui Lin, and Carlo Ratti. Measuring human perceptions of a large-scale urban region using machine learning. Landscape and Urban Planning, 180:148–160, 2018

https://www.sciencedirect.com/science/article/abs/pii/S0169204618308545

中文解读:

https://mp.weixin.qq.com/s/pifntiEj-OEO2wy02IyalA

[3] Fan Zhang, Ding Zhang, Yu Liu, and Hui Lin. Representing place locales using scene elements. Computers, Environment and Urban Systems, 71:153–164, 2018

https://www.sciencedirect.com/science/article/pii/S0198971517303903

中文解读:

https://mp.weixin.qq.com/s/eJIpEvaXVc_svqPPu8waqw

[4] Fan Zhang, Jinyan Zu, Mingyuan Hu, Di Zhu, Yuhao Kang, Song Gao, Yi Zhang, and Zhou Huang. Uncovering inconspicuous places using social media check-ins and street view images. Computers, Environment and Urban Systems, 81:101478, 2020

https://www.sciencedirect.com/science/article/pii/S0198971519306003

中文解读:

https://mp.weixin.qq.com/s/wbC4QC2XiQi4vfa9DnUWLQ

[5] Fan Zhang, Bolei Zhou, Carlo Ratti, and Yu Liu. Discovering place-informative scenes and objects using social media photos. Royal Society Open Science, 6(3):181375, 2019

https://royalsocietypublishing.org/doi/10.1098/rsos.181375

中文解读:

https://mp.weixin.qq.com/s/2u52bQEEZ31IGWYGRMePaQ

图1. 通过分析数百万张来自于社交媒体的城市街景照片，计算全球18个城市的城市景观特色程度及城市间的相似程度，并挖掘城市最有代表性的场景 http://senseable.mit.edu/indistinct_cities/

图2. 训练深度学习模型学习来自于全世界几万名志愿者对数十万张街景的评分结果，实现对任意自然场景的感知评分评估，估计城市区域视觉质量（安全感、生机感、压抑感等）

图3. 基于计算机视觉和深度学习技术，构建城市街道场景要素提取和基本分类方法，从“人-地”“静-动”等多层次对场景中可能出现的64种视觉要素（建筑、车辆、植被等）进行梳理，实现对场景、街道和区域类型的分类，形成基于街景图片的城市物质空间定量表达框架。

图4. 城市物质空间和社会空间之间存在多大程度的关联性？该工作利用街景表达城市物质空间，设计了一种基于深度学习的模型来学习和预测每条街道上每小时居民出行的模式，发现仅仅根据街景图片信息，算法就可以还原65%以上的相关场所居民日出行活动的时空分布模式（图4）

GeoInsider简介

GeoInsider是一个最初由旧金山湾区的GeoScience同行自发形成的公益性交流平台，定位在顶级的产学研交叉，包括PNS级讲座、产业应用转化、留学Intern教职申请等交流，迄今已邀请发表过Science、Nature等高水平文章，以及来自Harvard、Berkeley等顶级机构的Webinar报告交流，是一个扩大学术影响力的平台。欢迎关注B站、微信公众号、QQ交流群:602423441。

往期报告