让街道诉说美好-机器在学习.PDFVIP

STREETALK 让街道诉说美好 摘 要 Steetalk是我们基于soda提供的街道整治数据、 我们准备的街景照片数据库，依托深度学习神经 网络进行图片特征提取以及机器学习分类预测算 法实现的城市街边 “非正规摊贩”地图。提升城 市的整洁与安全。 利用sample data的有限数据，我们已经实现了 不错的拟合效果，具体可以翻看19页的demo。 更进一步，我们希望通过大众+专家的打分系统， 搜集更多的街道评价数据，更好的了解我们的街 道，我们的空间与活力，得到城市的街道评分地 图，对于类似 “永康路拆除”等事件，给予更多 的人文关怀。 2 缘 起 城市街道作为城市生活重要的公共活动场所，承 载着多种复合功能。 大量的占道经营不利于城市交通出行、扰乱城市 街道秩序，影响城市治安。此外，部分的违 章搭建设施本身也存在安全隐患。 街道整治作为城市风貌提升，城市管理整 治中的重要问题，在近年来愈发受到关注。这也 成为了本次项目的基本出发点。 3 缘 起 无论是社交媒体数据库、LBS、信令数据等等， 均是建立于传统的 POI数据库基础之上，因此 无法找出这些 “街边问题 ”。他们被发现的 主要渠道来自于居民投诉、举报。 最初为增加地图体验而建设的 街景照片 库，在无形中为城市空间的分析积累 了丰富的素 材。我们利用深度学习支撑的图像识别技术 ，可 以实现从海量的图像信息中提取关键要素的渠道。 4 缘 起 通过图像的深度学习技术 ，我们认为可以 更高效且直观地发现城市中的上述问题。 再结合街头照片的地理坐标信息 ，我们将这些特 定情况下 的场所投影 至 城市空间， 从 而形成 “街边问题地图”。 5 占道无证照经营 754 数据使用 跨门营业 158 暴露垃圾 86 ✴ 住建委提供的网格化案件 该数据库提供1000个样本案例 ，整体分布位于 浦东新区。主要数据字段包括：任务号、大类、 小类、描述、城建坐标(XY)、发现时间、立案时 间、派遣时间、结案时间、案件来源、以及地址 等。 数量前三的案例小类分别为 “占道无证照经营”、 “跨门营业 ”、 “暴露垃圾 ” ，占全部样本的 99.8%。这些均在街景照片中具有较高特征识别 度。 6 数据使用 ✴ 2013-2014年街景地图 （约23万张） 全上海市域街景地图，采集时段2013-2014年左 右 ，平均间隔100米 ✴ 2014-2015年街景地图 （约9万张） 上海外环内街景地图，采集时段2014-2015年左 右 ，平均间隔50米 ✴ 2014-2015年街景地图 （约50万张） 上海市外环外街景地图，采集时段2014-2015年 左右 ，采集完成，尚处于计算中 7 数据使用 ✴ 2013-2014年街景地图 （约23万张） 全上海市域街景地图，采集时段2013-2014年左 右 ，平均间隔100米 ✴ 2014-2015年街景地图 （约9万张） 上海外环内街景地图，采集时段2014-2015年左 右 ，平均间隔50米 ✴ 2014-2015年街景地图 （约50万张） 上海市外环外街景地图，采集时段2014-2015年 左右 ，采集完成，尚处于计算中 8 解决方案 全部图像数据的特征提取 通过卷积神经网络（CNN ）提取图片深度特征的示意 ✴ 深度学习下的图像识别与场景认知：利用卷积 神经网络，我们将每一张街景图像解析为低维 特征向量。 ✴ 方案初探阶段 ，我们采用了 GoogleNet 以及 AlexNet两套深度学习模型进行了分析。 ✴ GoogleNet 提取1024维特征 ✴ AlexNet提取4096维特征