CN111126864A - 一种基于人机对抗评分的街道品质评估方法 - Google Patents
一种基于人机对抗评分的街道品质评估方法 Download PDFInfo
- Publication number
- CN111126864A CN111126864A CN201911373502.8A CN201911373502A CN111126864A CN 111126864 A CN111126864 A CN 111126864A CN 201911373502 A CN201911373502 A CN 201911373502A CN 111126864 A CN111126864 A CN 111126864A
- Authority
- CN
- China
- Prior art keywords
- street
- score
- quality
- street view
- scoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种基于人机对抗评分的街道品质评估方法,包括:根据路网数据提取采样点位的坐标;通过坐标爬取街景图片数据构建初始数据集;对初始数据集中的街景图片进行深度学习语义分割,提取出街景中所包含的地物级别的视觉要素;研发人机对抗评分系统,通过人机交互打分、系统后台随机森林模型的实时训练和迭代反馈快速、准确地收集城市居民对于街道品质的心理感知和评价,其中心理感知评价包括富有、安全、活力、美丽、无聊和压抑这六种心理感受指标。利用这一模型,仅需提供街景数据集以及少量的志愿者,就可以低成本、高通量的获取满足特定城市街道品质的心理感知数据集,可以进一步地应用在城市规划、公共卫生等领域。
Description
技术领域
本发明涉及数据分析领域,尤其是一种基于人机对抗评分的街道品质评估方法。
背景技术
随着多源地理大数据,尤其是带有地理标签的街景图片的出现,其包含的丰富的可视信息,可以准确的刻画城市的视觉物理环境,准确地反映城市的风貌、功能和格局,并影响和塑造了人们在城市中的情感、活动和出行。此外人类的大脑和视觉也是人们获取对于街道品质感知最为直接和有效的方式,在对自然场景的理解和识别上有着潜在的优越性,因此城市街景可以更好地辅助我们对城市街道品质感知的定性分析和定量评价。
随着机器学习技术,尤其是深度学习、计算机视觉技术,以及人机交互技术的发展,准确地、快速地在自然图像中获取每个像素的语义信息成为可能,从而可以高效地挖掘出蕴含在街景中的地物信息,然后借助于随机森林拟合模型,可以将某个特定的城市环境与居民的心理感受建立相关关系,以此来定量的评估城市街道品质。
城市街道品质指的是人们对于日常生活街道的主观的心理感受,对于人们理解城市环境与居民心理健康的交互方式提供了重要的基础。准确地评估街道的品质,可以在城市发展的过程中,将人们对于环境的感受融入到科学地城市规划之中,对于城市的规划、设计和管理有着重要的作用。然而由于街道品质评估方法和数据库的限制,尚未建立适用于大城市、大区域的专项感知数据集,从而可以为城市规划者提供更多可用的城市感知数据和服务。
发明内容
在上述研究的基础上,利用采集到的街景图片,利用机器学习方法,本发明构建了一种基于人机对抗评分的街道品质评估方法,本发明以每一幅街景为基本单位,人们对于城市街道品质的认知评分与街景所描述的城市环境建立相关关系,以实现高精度地进行街道品质的快速评估。本发明在方法上具有低成本和低偏差的特点,克服了现有的方法在评估城市街道品质过程中费事费力以及潜在的空间和地域偏差的问题。
本发明解决其技术问题,提供了一种基于人机对抗评分的街道品质评估方法,包含如下步骤:
S1、根据待评估区域的路网数据,确定街道上用于品质评估的采样点位置处坐标,形成坐标文件;
S2、根据坐标文件,爬取对应位置处的街景图片构建初始数据集;
S3、对初始数据集中的各张街景图片分别进行深度学习语义分割,提取出街景中所包含的地物级别的视觉要素,然后统计每种地物级别的视觉要素在整幅街景图片中所占的像素比例,得到每张街景图片的特征表示:ImgFeatureVectori=(Object1,Object2,…,Objectk),其中,k表示所有的地物类别的总数,Object1,Object2,…,Objectk表示第i张街景图片中第1,2,…,k种地物级别的视觉要素在整幅街景图片中所占的像素比例;
S4、基于人机对抗评分系统,通过人机交互方式对街景图片进行打分,每张打分后的街景图片的分数以及对应的特征表示作为一个训练数据,后台采用随机森林模型利用训练数据进行训练,得到训练好后的随机森林模型;
S5、利用步骤S4训练好的随机森林模型,完成对待评估区域的打分,从而完成街道品质评估。
进一步地,在本发明的基于人机对抗评分的街道品质评估方法中,所述街景图片,沿着城市道路路网进行采集,至少包括每个采样点位置0°、90°、180°和270°四个水平角度的街景,且必须包含街景所在位置的经纬度坐标;所述的初始数据集包含多张街景图片数据。
进一步地,在本发明的基于人机对抗评分的街道品质评估方法中,通过训练出全卷积神经网络FCN-8s对街景图片进行语义分割,预测出街景图片红每一个像素的类别,从而产生地物级别的视觉要素。
进一步地,在本发明的基于人机对抗评分的街道品质评估方法中,采用MITADE20K数据集训练全卷积神经网络FCN-8s,通过训练好的全卷积神经网络FCN-8s,将各张街景图片中的每一个像素被预测为包括“unknown”类型在内的151种地物类型中的一种地物类型,总的地物类型来源于MIT ADE20K数据集;统计每种地物级别的视觉要素在整幅街景图片中所占的像素比例,得到每张街景图片对应的151维的向量特征表示:ImgFeatureVectori=(Object1,Object2,…,Object151)。
进一步地,在本发明的基于人机对抗评分的街道品质评估方法中,步骤S4和S5中在进行打分时,打分的指标包括富有性、安全性、活力值、无聊程度、美丽程度和压抑性六个指标,这些指标用于街道品质评估,各指标打分的值域都被设置为[0,n],0表示最低水平,n表示最高水平,n大于0。
进一步地,在本发明的基于人机对抗评分的街道品质评估方法中,所述人机对抗评分系统为基于C/S或者B/S端的街道品质打分系统,收集人们对于城市街道品质的定量认知,所述人机对抗评分系统在人机交互打分的过程中,随机地从初始数据集中抽取一张街景图片,并显示给用户,然后接受用户在接受到街景图片后,按照自己对于街道品质的认知给出各个指标的评分,然后会收集用户对于街道品质各个指标的打分,构建随机森林拟合模型来拟合特征表示及对应的用户评分分值。
进一步地,在本发明的基于人机对抗评分的街道品质评估方法中,在一个新用户打分的街景数量超过p张之后,才会进行随机森林模型的训练;训练好的随机森林模型会在下一次用户交互打分的时候,给出随机地从初始数据集中抽取一张街景图片的各指标的推荐分值;一个新用户打分的街景数量超过p张之后,每当用户打分的总街景数量增加q张之后,所述人机对抗评分系统会自动判断用户的打分分值与推荐分值之间的差异程度,当超过m张图片的差异程度大于预设值的时候,说明系统训练的模型与用户对于街道品质的认知之间存在差异,所述人机对抗评分系统会用户的打分分数及其对应的街景图片的特征表示进行重训练进行随机森林模型的重训练;重训练的结束条件是:当一轮重训练后的随机森林拟合模型的包外估计小于预设分值的时候,停止人机交互打分,完成随机森林模型的重训练;其中,p>q>m>1。
进一步地,在本发明的基于人机对抗评分的街道品质评估方法中,步骤S5具体包括:步骤S4之后,还有街景图片没有通过人机交互方式进行打分,此时将所述没有通过人机交互方式进行打分的街景图片的特征表示输入到步骤S4训练好的随机森林模型中进行打分预测,得到对应的街道品质评分;已经通过人机交互方式进行打分的街景图片的最终分数即为人机交互方式进行打分的分数,若是一张街景图片被多个用户打分多次,则该幅街景图片最终的街道品质评分为这些分数的均值。
进一步地,在本发明的基于人机对抗评分的街道品质评估方法中,用于品质评估的采样点的街道品质评估分数是采样点0°、90°、180°和270°的街道品质感知分数的均值;
设某个采样点处0°、90°、180°和270°四个水平角度处的街景图片的第i种街道品质感知评估指标的分数分别为Spi,0、Spi,90、Spi,180和Spi,270,则该采样点的第i种街道品质感知分数Spi为:
进一步地,在本发明的基于人机对抗评分的街道品质评估方法中,每个街道的品质评估结果为该街道所有采样点的品质感知分数的均值;
设某个街道上拥有n个街景采样点,每个采样点处第i种街道品质感知分数分别为Spi,1,Spi,2,…,Spi,n,则该街道的第i种品质评分结果值StreetPerceptioni为:
本发明根据这一基于街景地理大数据、计算机视觉、机器学习和人机对抗评分的方法,可以快速、准确地对大尺度范围内的城市街道品质进行评估。与现有技术相比,本发明的有益效果是,利用这一模型预测得到的最终结果为精确到每个街景采样点的感知分数,它能够为城市街道品质的评估提供更加准确和有效的参考。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的基于人机对抗评分的街道品质评估方法一实施例的流程图;
图2是街景图片采集的角度示意图;
图3中(A)部分是全卷积神经网络的输入和输出,(B)部分是全卷积神经网络FCN-8s的结构
图4是人机对抗评分的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参考图1,图1是本发明的基于人机对抗评分的街道品质评估方法一实施例的流程图。本实施例的基于人机对抗评分的街道品质评估方法包含如下步骤:
S1、根据待评估区域的路网数据,然后根路网数据,沿路网确定街道上用于品质评估的等间距或不等间距的离散采样点位置处坐标,形成坐标文件。
S2、根据坐标文件,从在线地图上(例如腾讯地图、谷歌地图等)爬取对应位置处的街景图片构建初始数据集;所述街景图片,沿着城市道路路网进行采集,至少包括每个采样点位置0°、90°、180°和270°四个水平角度的街景,且必须包含街景所在位置的经纬度坐标;所述的初始数据集包含大量的街景图片数据,街景图片采集的角度示意图如图2所示。
S3、对初始数据集中的各张街景图片分别进行深度学习语义分割,提取出街景中所包含的地物级别的视觉要素,然后统计每种地物级别的视觉要素在整幅街景图片中所占的像素比例,得到每张街景图片的特征表示:ImgFeatureVectori=(Object1,Object2,…,Objectk),其中,k表示所有的地物类别的总数,Object1,Object2,…,Objectk表示第i张街景图片中第1,2,…,k种地物级别的视觉要素在整幅街景图片中所占的像素比例。
参考图3与图4,在本实施例中,通过训练出全卷积神经网络FCN-8s对街景图片进行语义分割,预测出街景图片红每一个像素的类别,从而产生地物级别的视觉要素。
本实施例采用MIT ADE20K数据集训练全卷积神经网络FCN-8s,其中ADE-20K数据集包括20210张训练数据以及2000张测试数据,训练的时候扫描窗口被设置为500*500像素,学习率和early-stop最小学习率分别被设为0.1和0.001,batch大小为32。通过训练好的全卷积神经网络FCN-8s,将各张街景图片中的每一个像素被预测为包括“unknown”类型在内的151种地物类型中的一种地物类型,总的地物类型来源于MIT ADE20K数据集,具体的可在网站http://groups.csail.mit.edu/vision/datasets/ADE20K/上进行下载和查看;统计每种地物级别的视觉要素在整幅街景图片中所占的像素比例,得到每张街景图片对应的151维的向量特征表示:ImgFeatureVectori=(Object1,Object2,…,Object151)。
在完成数据预处理之后,需要构建人机对抗评分的系统。人机对抗评分系统包括前端和后端,可以是C/S或者B/S架构。其系统基本原理如下:
(1)人机对抗评分的应用程序,前端显示对应的街景图片,接收用户的评分,后端嵌入随机森林拟合模型,接收用户的评分,并根据用户的评分行为自动调整随机森林的参数。
(2)后端根据训练好的随机森林模型预测出下一张街景的街道品质分数,并发送到前端;最终,当用户的评分与系统嵌入的模型预测的分数趋于一致,打分过程停止,生成街道品质感知的数据集。
其过程为:
(1)在人机交互打分的过程中,随机地从数据库中抽取一张街景图片,并显示给用户,街景所示出的环境与根据街景进行街道品质评估的用户在文化和地域背景上趋于一致。
(2)用户在接受到图片的同时,按照自己对于街道品质的认知给出富有性、安全性、活力值、无聊程度、美丽程度和压抑性六个指标的评分。评分的分数值域为[0,100],0代表该街道品质指标的最低水平,100代表最高水平。
(3)在一个新用户打分的街景数量超过50张之后,才会进行随机森林拟合模型的训练。
(4)训练好的随机森林模型会在下一次用户交互打分的时候,给出系统推荐的分值。
(5)在一个新用户打分的街景数量超过50张之后,才会进行随机森林模型的训练;训练好的随机森林模型会在下一次用户交互打分的时候,给出随机地从初始数据集中抽取一张街景图片的各指标的推荐分值;一个新用户打分的街景数量超过50张之后,每当用户打分的总街景数量增加20张之后,所述人机对抗评分系统会自动判断用户的打分分值与推荐分值之间的差异程度,当超过5张图片的差异程度大于预设值的时候,说明系统训练的模型与用户对于街道品质的认知之间存在差异,所述人机对抗评分系统会用户的打分分数及其对应的街景图片的特征表示进行重训练进行随机森林模型的重训练。
(6)重训练的结束条件是:当一轮重训练后的随机森林拟合模型的包外(out-of-bag,OOB)估计小于10分的时候,停止人机交互打分,完成随机森林模型的重训练。
(7)如果一张图片被多个志愿者打分多次,则该幅街景最终的街道品质评分为这些分数的均值,以此来避免极端值的出现。
S4、基于人机对抗评分系统,通过人机交互方式对街景图片进行打分,每张打分后的街景图片的分数以及对应的特征表示作为一个训练数据,后台采用随机森林模型利用训练数据进行训练,得到训练好后的随机森林模型。
打分的指标包括富有性、安全性、活力值、无聊程度、美丽程度和压抑性六个指标,这些指标用于街道品质评估,各指标打分的值域都被设置为[0,100],0表示最低水平,100表示最高水平。
打分过程停止后,该方法输出的是大量带有街道品质评估标签的街景数据集,每张街景带有富有、安全、活力、压抑、无聊和美丽这六种品质的评分值。在本实施例中,有六种城市街道品质感知的指标,故需要训练六个随机森林拟合模型,用来预测给定街景的六个城市街道品质感知的分数。
S5、利用步骤S4训练好的随机森林模型,完成对待评估区域的打分,从而完成街道品质评估。
步骤S4之后,还有街景图片没有通过人机交互方式进行打分,此时将所述没有通过人机交互方式进行打分的街景图片的特征表示输入到步骤S4训练好的随机森林模型中进行打分预测,得到对应的街道品质评分;已经通过人机交互方式进行打分的街景图片的最终分数即为人机交互方式进行打分的分数,若是一张街景图片被多个用户打分多次,则该幅街景图片最终的街道品质评分为这些分数的均值。利用这一模型,仅需提供街景数据集以及少量的志愿者,就可以低成本、高通量的获取满足特定城市街道品质的心理感知数据集,可以进一步地应用在城市规划、公共卫生等领域。
用于品质评估的采样点的街道品质评估分数是采样点0°、90°、180°和270°的街道品质感知分数的均值。
设某个采样点处0°、90°、180°和270°四个水平角度处的街景图片的第i种街道品质感知评估指标的分数分别为Spi,0、Spi,90、Spi,180和Spi,270(i=1,2,3,4,5,6,分别代表富有、安全、活力、压抑、无聊和美丽),则该采样点的第i种街道品质感知分数Spi为:
每个街道的品质评估结果为该街道所有采样点的品质感知分数的均值;
设某个街道上拥有n个街景采样点,每个采样点处第i种街道品质感知分数分别为Spi,1,Spi,2,…,Spi,n,则该街道的第i种品质评分结果值StreetPerceptioni为:
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种基于人机对抗评分的街道品质评估方法,其特征在于,包含如下步骤:
S1、根据待评估区域的路网数据,确定街道上用于品质评估的采样点位置处坐标,形成坐标文件;
S2、根据坐标文件,爬取对应位置处的街景图片构建初始数据集;
S3、对初始数据集中的各张街景图片分别进行深度学习语义分割,提取出街景中所包含的地物级别的视觉要素,然后统计每种地物级别的视觉要素在整幅街景图片中所占的像素比例,得到每张街景图片的特征表示:ImgFeatureVectori=(Object1,Object2,…,Objectk),其中,k表示所有的地物类别的总数,Object1,Object2,…,Objectk表示第i张街景图片中第1,2,…,k种地物级别的视觉要素在整幅街景图片中所占的像素比例;
S4、基于人机对抗评分系统,通过人机交互方式对街景图片进行打分,每张打分后的街景图片的分数以及对应的特征表示作为一个训练数据,后台采用随机森林模型利用训练数据进行训练,得到训练好后的随机森林模型;
S5、利用步骤S4训练好的随机森林模型,完成对待评估区域的打分,从而完成街道品质评估。
2.根据权利要求1所述的基于人机对抗评分的街道品质评估方法,其特征在于,所述街景图片,沿着城市道路路网进行采集,至少包括每个采样点位置0°、90°、180°和270°四个水平角度的街景,且必须包含街景所在位置的经纬度坐标;所述的初始数据集包含多张街景图片数据。
3.根据权利要求1所述的基于人机对抗评分的街道品质评估方法,其特征在于,通过训练出全卷积神经网络FCN-8s对街景图片进行语义分割,预测出街景图片红每一个像素的类别,从而产生地物级别的视觉要素。
4.根据权利要求3所述的基于人机对抗评分的街道品质评估方法,其特征在于,采用MIT ADE20K数据集训练全卷积神经网络FCN-8s,通过训练好的全卷积神经网络FCN-8s,将各张街景图片中的每一个像素被预测为包括“unknown”类型在内的151种地物类型中的一种地物类型,总的地物类型来源于MIT ADE20K数据集;统计每种地物级别的视觉要素在整幅街景图片中所占的像素比例,得到每张街景图片对应的151维的向量特征表示:ImgFeatureVectori=(Object1,Object2,…,Object151)。
5.根据权利要求1所述的基于人机对抗评分的街道品质评估方法,其特征在于,步骤S4和S5中在进行打分时,打分的指标包括富有性、安全性、活力值、无聊程度、美丽程度和压抑性六个指标,这些指标用于街道品质评估,各指标打分的值域都被设置为[0,n],0表示最低水平,n表示最高水平,n大于0。
6.根据权利要求1所述的基于人机对抗评分的街道品质评估方法,其特征在于,所述人机对抗评分系统为基于C/S或者B/S端的街道品质打分系统,收集人们对于城市街道品质的定量认知,所述人机对抗评分系统在人机交互打分的过程中,随机地从初始数据集中抽取一张街景图片,并显示给用户,然后接受用户在接受到街景图片后,按照自己对于街道品质的认知给出各个指标的评分,然后会收集用户对于街道品质各个指标的打分,构建随机森林拟合模型来拟合特征表示及对应的用户评分分值。
7.根据权利要求6所述的基于人机对抗评分的街道品质评估方法,其特征在于,在一个新用户打分的街景数量超过p张之后,才会进行随机森林模型的训练;训练好的随机森林模型会在下一次用户交互打分的时候,给出随机地从初始数据集中抽取一张街景图片的各指标的推荐分值;一个新用户打分的街景数量超过p张之后,每当用户打分的总街景数量增加q张之后,所述人机对抗评分系统会自动判断用户的打分分值与推荐分值之间的差异程度,当超过m张图片的差异程度大于预设值的时候,说明系统训练的模型与用户对于街道品质的认知之间存在差异,所述人机对抗评分系统会用户的打分分数及其对应的街景图片的特征表示进行重训练进行随机森林模型的重训练;重训练的结束条件是:当一轮重训练后的随机森林拟合模型的包外估计小于预设分值的时候,停止人机交互打分,完成随机森林模型的重训练;其中,p>q>m>1。
8.根据权利要求1所述的基于人机对抗评分的街道品质评估方法,其特征在于,步骤S5具体包括:步骤S4之后,还有街景图片没有通过人机交互方式进行打分,此时将所述没有通过人机交互方式进行打分的街景图片的特征表示输入到步骤S4训练好的随机森林模型中进行打分预测,得到对应的街道品质评分;已经通过人机交互方式进行打分的街景图片的最终分数即为人机交互方式进行打分的分数,若是一张街景图片被多个用户打分多次,则该幅街景图片最终的街道品质评分为这些分数的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373502.8A CN111126864A (zh) | 2019-12-26 | 2019-12-26 | 一种基于人机对抗评分的街道品质评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373502.8A CN111126864A (zh) | 2019-12-26 | 2019-12-26 | 一种基于人机对抗评分的街道品质评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126864A true CN111126864A (zh) | 2020-05-08 |
Family
ID=70503778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911373502.8A Pending CN111126864A (zh) | 2019-12-26 | 2019-12-26 | 一种基于人机对抗评分的街道品质评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126864A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561401A (zh) * | 2020-12-29 | 2021-03-26 | 中国地质大学(武汉) | 一种基于多源大数据的城市活力测度与表征方法及系统 |
CN112784173A (zh) * | 2021-02-26 | 2021-05-11 | 电子科技大学 | 一种基于自注意力对抗神经网络的推荐系统评分预测方法 |
CN113188558A (zh) * | 2021-05-24 | 2021-07-30 | 中山大学 | 一种基于街景多维要素和评分的路径推荐方法及系统 |
WO2021227805A1 (zh) * | 2020-05-09 | 2021-11-18 | 中铁第四勘察设计院集团有限公司 | 地下空间品质评价及其可视化呈现方法及系统 |
CN113673456A (zh) * | 2021-08-26 | 2021-11-19 | 江苏省城市规划设计研究院有限公司 | 一种基于色彩分布学习的街景图像评分方法 |
CN114565300A (zh) * | 2022-03-04 | 2022-05-31 | 中国科学院生态环境研究中心 | 一种公众主观情感量化方法、系统及电子设备 |
WO2022198963A1 (zh) * | 2021-03-24 | 2022-09-29 | 华南理工大学 | 基于大数据的商业空间品质评价方法、系统、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919901A (zh) * | 2018-07-25 | 2019-06-21 | 江南大学 | 一种基于集成学习与随机森林的图像质量评价方法 |
CN109948547A (zh) * | 2019-03-20 | 2019-06-28 | 广州市城市规划勘测设计研究院 | 城市绿地景观评价方法、装置、存储介质及终端设备 |
-
2019
- 2019-12-26 CN CN201911373502.8A patent/CN111126864A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919901A (zh) * | 2018-07-25 | 2019-06-21 | 江南大学 | 一种基于集成学习与随机森林的图像质量评价方法 |
CN109948547A (zh) * | 2019-03-20 | 2019-06-28 | 广州市城市规划勘测设计研究院 | 城市绿地景观评价方法、装置、存储介质及终端设备 |
Non-Patent Citations (1)
Title |
---|
YAO YAO ET AL.: "A human-machine adversarial scoring framework for urban perception assessment using street-view images", 《INTERNATIONAL JOURNAL OF GEOGRAPHICAL INFORMATION SCIENCE》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021227805A1 (zh) * | 2020-05-09 | 2021-11-18 | 中铁第四勘察设计院集团有限公司 | 地下空间品质评价及其可视化呈现方法及系统 |
CN112561401A (zh) * | 2020-12-29 | 2021-03-26 | 中国地质大学(武汉) | 一种基于多源大数据的城市活力测度与表征方法及系统 |
CN112784173A (zh) * | 2021-02-26 | 2021-05-11 | 电子科技大学 | 一种基于自注意力对抗神经网络的推荐系统评分预测方法 |
WO2022198963A1 (zh) * | 2021-03-24 | 2022-09-29 | 华南理工大学 | 基于大数据的商业空间品质评价方法、系统、设备及介质 |
CN113188558A (zh) * | 2021-05-24 | 2021-07-30 | 中山大学 | 一种基于街景多维要素和评分的路径推荐方法及系统 |
CN113673456A (zh) * | 2021-08-26 | 2021-11-19 | 江苏省城市规划设计研究院有限公司 | 一种基于色彩分布学习的街景图像评分方法 |
CN113673456B (zh) * | 2021-08-26 | 2024-03-26 | 江苏省城市规划设计研究院有限公司 | 一种基于色彩分布学习的街景图像评分方法 |
CN114565300A (zh) * | 2022-03-04 | 2022-05-31 | 中国科学院生态环境研究中心 | 一种公众主观情感量化方法、系统及电子设备 |
CN114565300B (zh) * | 2022-03-04 | 2022-12-23 | 中国科学院生态环境研究中心 | 一种公众主观情感量化方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126864A (zh) | 一种基于人机对抗评分的街道品质评估方法 | |
Zhang et al. | Measuring human perceptions of a large-scale urban region using machine learning | |
Ye et al. | The visual quality of streets: A human-centred continuous measurement based on machine learning algorithms and street view images | |
Wang et al. | Measuring residents’ perceptions of city streets to inform better street planning through deep learning and space syntax | |
CN109902912B (zh) | 一种基于性格特征的个性化图像美学评价方法 | |
Chen et al. | Predicting the effect of street environment on residents' mood states in large urban areas using machine learning and street view images | |
Johnson et al. | Understanding aesthetics and fitness measures in evolutionary art systems | |
CN113723530B (zh) | 基于视频分析和电子心理沙盘的智能心理评估系统 | |
Zhang et al. | An assessment method for landmark recognition time in real scenes | |
Ebert et al. | Spatial analysis for psychologists: How to use individual-level data for research at the geographically aggregated level. | |
Liu et al. | An interpretable machine learning framework for measuring urban perceptions from panoramic street view images | |
Olszewski et al. | Urban Gamification as a Source of Information for Spatial Data Analysis and Predictive Participatory Modelling of a City's Development. | |
Yiyan et al. | Designing Attention—Research on Landscape Experience Through Eye Tracking in Nanjing Road Pedestrian Mall (Street) in Shanghai. | |
Han et al. | Restorative perception of urban streets: Interpretation using deep learning and MGWR models | |
Zhang et al. | Urban Visual Intelligence: Studying Cities with AI and Street-level Imagery | |
Li et al. | Human perception evaluation system for urban streetscapes based on computer vision algorithms with attention mechanisms | |
Ma et al. | Developing an urban streetscape indexing based on visual complexity and self-organizing map | |
CN114429286A (zh) | 一种基于vr全景视觉感知的街道环境质量评价方法 | |
CN106682204B (zh) | 一种基于众包的语义提取方法 | |
CN110569323A (zh) | 一种室内导航地标提取方法 | |
Yang et al. | From intangible to tangible: The role of big data and machine learning in walkability studies | |
CN113159122B (zh) | 基于社交媒体图像数据的城市风貌分析方法 | |
Verma et al. | Urban perception experiments: Transition from traditional to advanced methods | |
Traunmueller | A Quantitative Approach to Evaluate and Develop Theories on (Fear of) Crime in Urban Environments | |
CN114066695B (zh) | 一种基于劳动项目的教育内容分析方法、系统和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |