DeepStreet：一种深度学习驱动的城市街道网络生成模块
计算机视觉与模式识别
2020-10-12 v1 人工智能
摘要
在经历前所未有城市化浪潮的国家中，亟需快速且高质量的城市街道设计。我们的研究提出了一种新颖的深度学习驱动方法 DeepStreet（DS），用于可应用于具有地方特色的城市街道设计的自动街道网络生成。DS 由卷积神经网络（CNN）驱动，能够基于邻近区域进行街道插值。具体而言，首先训练 CNN 以检测、识别并捕获源自 OpenStreetMap 的现有街道网络的局部特征与模式。利用训练好的 CNN，DS 能够在给定周边街道网络的条件下，预测预定义区域内街道网络的未来扩展模式。为测试 DS 的性能，我们将其应用于巴塞罗那市 Eixample 及周边区域，该区域是城市与交通规划领域的知名范例，其中心为标志性的网格状街道网络，外围则为不规则道路走向。结果表明，DS 能够（1）检测并自聚类巴塞罗那不同类型的复杂街道模式；（2）预测网格状及不规则的街道与道路网络。DS 被证明作为一种新颖工具具有巨大潜力，可帮助设计者高效设计能良好保持现有与新建城市街道网络一致性的城市街道网络。此外，生成的网络可作为基准，指导快速发展城市的本地规划制定。
引用
@article{arxiv.2010.04365,
title = {DeepStreet: A deep learning powered urban street network generation module},
author = {Zhou Fang and Tianren Yang and Ying Jin},
journal= {arXiv preprint arXiv:2010.04365},
year = {2020}
}