使用生成对抗网络的街景增强：与健康和福祉相关的洞察
计算机与社会
2019-05-17 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
使用神经网络的深度学习已在图像风格迁移方面取得进展，将一幅图像（如照片）的内容与另一幅图像（如绘画）的风格相融合。我们的研究表明，这一概念可扩展至分析与健康和福祉结果相关的街景设计。一项澳大利亚人口健康调查（n=34,000）被用于识别健康与福祉结果的空间分布，包括总体健康与社会资本。对于每个结果，最理想与最不理想的区位构成了两个域。使用每域约80,000张Google街景图像对街景设计进行采样。生成对抗网络（GAN）将这些图像从一个域翻译到另一个域，保留输入图像的主要结构，但将“风格”从自我报告健康差的区位转换为健康好的区位。这些翻译表明，墨尔本总体健康良好的区域以充足的绿地和城市环境的紧凑性为特征，而与高社会资本相关的街景图像包含更多更宽的步道、更少的围栏和更多的草地。除识别关联外，该方法朝计算机生成的设计干预迈出了第一步，有潜力改善人口健康与福祉。
引用
@article{arxiv.1905.06464,
title = {Streetscape augmentation using generative adversarial networks: insights related to health and wellbeing},
author = {Jasper S. Wijnands and Kerry A. Nice and Jason Thompson and Haifeng Zhao and Mark Stevenson},
journal= {arXiv preprint arXiv:1905.06464},
year = {2019}
}
备注
20 pages, 8 figures. Preprint accepted for publication in Sustainable Cities and Society