如何为基于 GSV 的社区指标构建稳健、可扩展的模型
计算机视觉与模式识别
2026-01-13 v1
摘要
大量健康研究表明，社区环境与健康结果之间存在强烈关联。近期，越来越多的人关注利用计算机视觉技术，对社区建成环境进行大规模、系统化的表征。然而，视觉模型在不同领域之间的可泛化性尚存疑虑，例如从 ImageNet 迁移到 Google Street View（GSV）图像所特有的视觉特征。在现实应用领域如社会健康研究中，亟需回答以下关键问题：哪些模型最合适，是否应采用无监督训练策略，在计算资源受限的情况下需要多大的训练规模，以及这些策略如何影响下游性能。这些决策往往成本高昂且需要专业知识。本文通过实证分析回答这些问题，并提供实用见解，指导如何为数据规模有限、标签不足的基座模型进行选择和适配，同时通过无监督训练充分利用更大规模的无标签数据集。我们的研究包括对模型在无监督适应前后性能进行的全面定量与可视化分析。
引用
@article{arxiv.2601.06443,
title = {How to Build Robust, Scalable Models for GSV-Based Indicators in Neighborhood Research},
author = {Xiaoya Tang and Xiaohe Yue and Heran Mane and Dapeng Li and Quynh Nguyen and Tolga Tasdizen},
journal= {arXiv preprint arXiv:2601.06443},
year = {2026}
}