深度学习城市：在全球尺度上量化城市感知
计算机视觉与模式识别
2016-09-13 v2
摘要
量化城市环境感知的计算机视觉方法正越来越多地被用于研究城市物理外观与其居民行为和健康之间的关系。然而，当前方法的吞吐量太有限，无法量化全球城市的感知。为了应对这一挑战，我们引入了一个新的众包数据集，包含来自 56 个城市的 110,988 张图像，以及由 81,630 名在线志愿者提供的 1,170,000 次成对比较，涵盖六个感知属性：安全、有活力、无聊、富裕、压抑和美丽。使用这些数据，我们训练了一种类孪生卷积神经网络架构，该架构从联合分类与排序损失中学习，以预测人类对成对图像比较的判断。我们的结果表明，众包与神经网络相结合能够在全球尺度上生成城市感知数据。
引用
@article{arxiv.1608.01769,
title = {Deep Learning the City : Quantifying Urban Perception At A Global Scale},
author = {Abhimanyu Dubey and Nikhil Naik and Devi Parikh and Ramesh Raskar and César A. Hidalgo},
journal= {arXiv preprint arXiv:1608.01769},
year = {2016}
}
备注
23 pages, 8 figures. Accepted to the European Conference on Computer Vision (ECCV), 2016