全球街景数据中的刻意因素

近年来，街景数据正在被广泛应用于计算机视觉应用中。针对这些应用收集的机器学习数据集通常采用简单的数据采样技术。这些数据集被假设为城市的系统性代表，尤其是在密集采样的情况下。然而， prior 工作已表明数据覆盖存在明显缺口，某些城市或地区的覆盖不完整甚至没有覆盖。本文表明，城市的刻意特征（如城市布局）可能导致街景数据的偏差，即使在密集覆盖的情况下亦然。我们定量地揭示了街景数据覆盖分布的偏差，并提出了一种评估此类分布的方法，以获得城市覆盖中刻意特征的更深入见解。此外，我们对阿姆斯特丹进行案例研究，采用半结构化访谈，展示了收集过程的刻意特征如何影响对城市和地区的代表性，从而允许在来源头消除偏差。