使用深度卷积神经网络量化室内空间可辨识度：以火车站为例

可辨识度是指一个空间被轻易识别的程度。评估可辨识度在室内空间中尤为必要，因其对人类行为与空间利用效率有重大影响。然而，室内空间可辨识度仅通过问卷调查与简单仿真进行研究，缺乏可靠的定量度量。我们利用在结构上类似于人类感知系统的深度卷积神经网络（DCNN）对室内空间的可辨识度进行建模。为实现对任意室内空间可辨识度的建模，我们设计了一条从室内数据获取到模型训练再到空间可辨识度分析的端到端处理流水线。尽管模型总体表现很好（top-1 准确率 98%），不同空间间的准确率仍存在差异，反映出可辨识度的不同。为证明流水线的有效性，我们在 Amazon Mechanical Turk 上部署了问卷调查，收集了 4,015 个样本。人类样本展现出与 DCNN 模型相似的行为模式与机制。进一步地，我们利用模型结果对不同建筑功能、建筑年代、建筑风格、空间视觉聚类以及建筑年代与建筑功能的视觉解释中的可辨识度进行了可视化说明。