Streetify：利用街景影像与深度学习进行城市街道开发
计算机视觉与模式识别
2019-11-20 v1
摘要
道路网络中街道的分类一直侧重于街道的机动车交通特征，如根据交通用途划分主干道、主要道路、次要道路等。另一方面，城市当局已转向更具城市包容性的街道规划，将街道的侧向用途与交通特征相结合。在此类分类方案中，街道被标注为例如商业通道、居住街区、公园等。这种现代城市规划方法已被旧金山、佛罗里达州和宾夕法尼亚州等许多大城市和州采纳。目前，根据语境对街道进行标注的过程是人工的，因此繁琐且耗时。在本文中，我们提出一种收集并标注影像数据、进而将计算机视觉进展应用于现代城市规划的方法。我们收集并标注街道影像，然后训练深度卷积神经网络（CNN）以执行街道语境分类。我们表明CNN模型表现良好，准确率达到81%至87%；随后我们使用t-SNE方法可视化街道嵌入空间中的样本，并应用类激活映射方法解释街道影像中促成模型输出分类的特征。
引用
@article{arxiv.1911.08007,
title = {Streetify: Using Street View Imagery And Deep Learning For Urban Streets Development},
author = {Fahad Alhasoun and Marta Gonzalez},
journal= {arXiv preprint arXiv:1911.08007},
year = {2019}
}
备注
Paper to appear at IEEE Big Data 2019