CitySurfaces：基于城市尺度人行道材料的语义分割
计算机视觉与模式识别
2022-01-10 v1 计算机与社会
摘要
尽管全球日益倡导设计可持续且具韧性的城市建成环境，但显著的数据缺口使针对紧迫可持续性问题的研究难以开展。铺装路面已知具有强烈的经济与环境影响；然而，由于数据采集成本高昂且耗时，大多数城市缺乏其表面的空间目录。计算机视觉的最新进展，加上街景图像的可获得性，为城市以更低实施成本和更高精度提取大尺度建成环境数据提供了新机遇。本文提出CitySurfaces，一种基于主动学习的框架，利用计算机视觉技术通过广泛可用的街景图像对人行道材料进行分类。我们在纽约市和波士顿的图像上训练该框架，评估结果显示mIoU得分为90.5%。此外，我们使用六个不同城市的图像评估该框架，表明其可应用于具有不同城市肌理的区域，即便超出训练数据域。CitySurfaces能为研究者和城市机构提供低成本、准确且可扩展的方法来收集人行道材料数据，这在应对气候变化和地表水管理等重大可持续性问题中起着关键作用。
引用
@article{arxiv.2201.02260,
title = {CitySurfaces: City-Scale Semantic Segmentation of Sidewalk Materials},
author = {Maryam Hosseini and Fabio Miranda and Jianzhe Lin and Claudio Silva},
journal= {arXiv preprint arXiv:2201.02260},
year = {2022}
}
备注
Sustainable Cities and Society journal (accepted); Model: https://github.com/VIDA-NYU/city-surfaces