从街道视角视觉感知建筑与家庭脆弱性
机器学习
2022-06-01 v1 计算机视觉与模式识别
摘要
在发展中国家，建筑规范往往过时或未被强制执行。因此，大量住房存量不达标，易受自然灾害和气候相关事件影响。评估住房质量是为公共政策和私人投资提供信息的关键。标准评估方法通常仅基于样本/试点进行，因其成本高昂；或在完整开展时，由于未遵循建议的更新标准而趋于过时，或缺乏大多数用户所需的详细程度以做出关键政策或商业决策，从而无法被获取。因此，我们提出了一种在首次采集和未来更新时均具成本效益、且在街区层面可靠的评估框架。该框架补充了现有利用街景影像结合深度学习自动提取建筑信息以辅助识别住房特征的工作。我们随后检验其可扩展性和更高层级可靠性的潜力。为此，我们创建一个指数，在街区层面综合住房单元和家庭层级的最高可能粒度数据，并评估我们的模型预测是否可用于以较低预算在选定区域近似脆弱性状况。我们的结果表明，图像预测与该指数明显相关。
引用
@article{arxiv.2205.14460,
title = {Visual Perception of Building and Household Vulnerability from Streets},
author = {Chaofeng Wang and Sarah Elizabeth Antos and Jessica Grayson Gosling Goldsmith and Luis Miguel Triveno},
journal= {arXiv preprint arXiv:2205.14460},
year = {2022}
}