深度学习结合新型分类方法对发展中国家城市环境进行分类
计算机视觉与模式识别
2021-01-08 v2 机器学习
摘要
快速的全球化和人类的相互依存催生了大规模人口向城市空间迁移。随着高清晰度卫星图像、高分辨率数据、诸如深度神经网络等计算方法以及 capable 硬件的出现，城市规划正经历范式转变。关于城市环境的传统数据如今正由大容量、高频率的数据所补充。在本文中，我们提出一种便于机器分析且可直接使用的新型分类方法，并展示该方法在发展中国家环境中的应用性。当前最先进的方法大多集中于建筑结构、建筑类型等的分类，且主要代表发达国家，这对于如孟加拉国等周边环境对分类至关重要的发展中国家而言是不充分的。此外，传统方法提出小尺度分类，提供的信息有限、可扩展性差且计算缓慢。我们考虑周边环境，按非正式与正式空间对城市区域进行分类。由专家对孟加拉国达卡50 km x 50 km的Google Earth图像进行视觉标注与分类。分类基于两个宽泛维度：城市化与城市环境的建筑形态。据此，城市空间被划分为四类：1）高度非正式；2）中度非正式；3）中度正式；4）高度正式区域。共识别出16个子类。对于语义分割，使用了Google的DeeplabV3+模型，其增大了滤波器的视野以纳入更大上下文。涵盖70%城市空间的图像用于训练，其余30%用于测试与验证。该模型能以75%的准确率和60%的Mean IoU进行分割。
引用
@article{arxiv.2011.12847,
title = {Deep-learning coupled with novel classification method to classify the urban environment of the developing world},
author = {Qianwei Cheng and AKM Mahbubur Rahman and Anis Sarker and Abu Bakar Siddik Nayem and Ovi Paul and Amin Ahsan Ali and M Ashraful Amin and Ryosuke Shibasaki and Moinul Zaber},
journal= {arXiv preprint arXiv:2011.12847},
year = {2021}
}
备注
Accepted paper at 2nd International Conference on Signal Processing and Machine Learning (SIGML 2021); 20 pages, 7 figures, 1 table