哪种骑行环境看起来更安全？基于两两图像比较的骑行安全感知学习

骑行是城市实现更可持续交通方式的关键因素。 然而， safety concerns 仍是 individual 选择不骑行的 critical deterrent。 如果 individual 认为环境对骑行不安全， 他们可能更倾向于选择 other means of transportation。 然而， 捕获和理解 individual 如何 perceive cycling risk 复杂且通常缓慢， researcher 倾向于 default 使用 traditional surveys 和 in-loco interviews。 在本研究中， 我们解决了这个问题。 我们基于 real-world images 的两两比较方法， 持续向 respondent 显示 road environment 的 pairs， 并要求他们选择其中一个他们认为更安全的用于骑行的（如果有的话）。 使用收集的数据， 我们 train 一个 siamese-convolutional neural network 使用 multi-loss framework， 该框架从 individual 的 responses 中学习， 从 images 中 direct learn preferences， 并包括 ties（在 literature 中常被忽略）。 有效地， 该 model learn to predict human-style perceptions， evaluate which cycling environments 被认为更安全。 我们 model achieve good results， showcase 这种方法具有 real-life impact， 例如 improve interventions 的 effectiveness。 此外， 它 facilitate 对 changing cycling environments 的 continuous assessment， permit short-term evaluations of measures to enhance perceived cycling safety。 最终， 我们的方法可以在 different locations 高效部署， 利用大量 openly available street-view images。