自监督学习从街景图像揭示城市住房变化
计算机视觉与模式识别
2024-08-01 v2 机器学习
摘要
全球城市面临可负担且体面住房的严重短缺。尽管其对政策至关重要，我们有效监测和追踪城市住房进展的能力却十分有限。应用于街景图像的基于深度学习的计算机视觉方法已成功用于测量社会经济与环境不平等，但未能充分利用时序图像追踪城市变化，因为时变标签通常不可得。我们使用自监督方法，基于 2008 至 2021 年间拍摄的 1500 万张街道图像来测量伦敦的变化。我们对 Barlow Twins 的新颖改造 Street2Vec，可在无需人工标注的情况下嵌入城市结构，并对季节与每日变化保持不变性。它优于通用嵌入，成功从街景图像识别出伦敦住房供给的点级变化，并区分重大与轻微变化。该能力可为迈向更宜居、公平和可持续城市的城市规划与政策决策提供及时信息。
引用
@article{arxiv.2309.11354,
title = {Self-supervised learning unveils change in urban housing from street-level images},
author = {Steven Stalder and Michele Volpi and Nicolas Büttner and Stephen Law and Kenneth Harttgen and Esra Suel},
journal= {arXiv preprint arXiv:2309.11354},
year = {2024}
}
备注
16 pages, 5 figures