基于深度学习的公共开放空间利用率测量：底特律滨水区基准研究
计算机视觉与模式识别
2020-02-05 v1
摘要
身体活动与社会交往是保障健康生活方式的基本活动。公共开放空间（POS），如公园、广场与绿道，是促成此类活动的关键环境。为评估公共开放空间，需研究人们如何使用其中的设施。然而，传统的公共开放空间使用研究方法依赖人工，因而耗时耗力，且可能仅提供定性见解。利用监控摄像头并通过计算机视觉提取用户相关信息颇具吸引力。本文提出一种概念验证性的深度学习计算机视觉框架，用于定量测量公共开放空间中的人类活动，并利用底特律滨水区保护协会（DRFC）监控摄像头网络展示了该框架的案例研究。我们呈现了一个自定义图像数据集用于训练该框架；该数据集包含从 DRFC 公园空间内 18 个摄像头在各种光照条件下收集的 7826 张全标注图像。文中还提供了数据集分析以及用于一步式用户定位与活动识别的基线模型。行人检测的 mAP 结果为 77.5%，骑行者检测的 mAP 结果为 81.6%。该框架自主生成行为地图以定位不同的公共开放空间使用者，行为定位的平均误差在 10 cm 以内。
引用
@article{arxiv.2002.01461,
title = {Measuring the Utilization of Public Open Spaces by Deep Learning: a Benchmark Study at the Detroit Riverfront},
author = {Peng Sun and Rui Hou and Jerome Lynch},
journal= {arXiv preprint arXiv:2002.01461},
year = {2020}
}