가로공간 보행만족도 예측을 위한 딥러닝 모형의적용과 검증 = Application and Validation of a Deep Learning Model to Predict the Walking Satisfaction on Street Level

다국어 초록 (Multilingual Abstract)

This study examines the prediction model of walking satisfaction level of streetscape by deep learning technique. The model focuses on the streetscape imagery and walking satisfaction level of pedestrians. We trained and tested the prediction model using the Google Street View 360° Panorama images of the survey locations for walking satisfaction level. First, the correlation coefficient between machine rating and human rating regarding walking satisfaction level ranged from 0.16 to 0.84 by the transfer learning method. This finding indicates that deep learning models should be tested and validated for the purpose of specific research topic. Second, among four test models, VGG16 is relatively suitable for the prediction model of walking satisfaction level on streetscape comparing to the Inception structure in this study. Third, the result shows that transfer learning with pre-trained model could be the best one to predict average walking satisfaction level using Google Street View images. Lastly, This study shows that deep learning skills could play an important role in analyzing and predicting urban physical environments with open source imagery data.

국문 초록 (Abstract)

본 연구는 Google Street View 360° 파노라마 이미지와 딥러닝 기법을 적용하여 가로공간의 보행만족도를 예측하고 검증하였다. 주요 연구결과는 다음과 같다. 첫째, 모형 예측값과 참값 사이의 상관 계수는 학습 모형에 따라 0.16~0.84로 나타나 결과의 정확도 범위가 비교적 큰 것으로 나타났다. 모형 간 성능차이는 딥러닝 모형 구조에 따른 차이로 판단된다. 이러한 결과는 특정 연구 주제에 대하여 가장 적합한 모형을 적용하기 위해서 딥러닝 모형의 테스트 및 검증이 중요하다는 것을 의미한다. 둘째, 네 가지 모형 중 VGG16이 가로공간에서 보행만족도 예측모형으로 적합한 것으로 나타났다. 셋째, Google Street View Image를 활용하여 보행만족도를 예측하는 경우 사전학습 모형을 전이학습하는 것이 적합하다는 것을 보여준다. 마지막으로, 본 연구는 오픈소스 데이터를 활용한 딥러닝 모형이 도시의 물리적환경 분석에 있어 중요한 역할을 할 수 있음을 시사한다.

참고문헌 (Reference)

1 유병인, "인간 수준에 근접한 딥러닝 기반 영상 인식의 동향" 33 (33): 32-41, 2015

2 조혜민, "보행목적별 보행활동시간에 영향을 미치는 근린환경 특성분석 - 주관적 인지환경과 객관적 측정환경의 차이를 중심으로 -" 대한국토·도시계획학회 51 (51): 105-122, 2016

3 김규리, "보행공간 요소에 대한 보행자의 인지 및 보행만족도에 관한 연구" 한국도시설계학회 17 (17): 89-103, 2016

4 이수기, "근린환경특성이 보행만족도에 미치는 영향 분석 - 서울서베이 2013년 자료를 중심으로" 대한국토·도시계획학회 51 (51): 169-187, 2016

5 박근덕, "근린환경특성과 일상보행활동 그리고 주관적 건강수준의구조적 관계 분석: 경로모형의 적용" 대한국토·도시계획학회 53 (53): 255-272, 2018

6 금기정, "구조방정식을 이용한 상업지구 보행가로의 경관 이미지 분석" 대한국토·도시계획학회 45 (45): 97-109, 2010

7 김승남, "가로단위 보행환경 평가체계 개발 연구" 건축도시공간연구소 2016

8 이재원, "가로경관의 이미지 평가에 관한 연구- 번화한 가로를 만드는 심리적, 물리적인자의 분석을 중심으로 -" 한국디자인학회 17 (17): 2004

9 Rosenblatt, F, "The perceptron: a probabilistic model for information storage and organization in the brain" 65 (65): 368-408, 1958

10 Salesses, P, "The collaborative image of the city: mapping the inequality of urban perception" 10 (10): e0119352-, 2013

11 Naik, N, "Streetscore-predicting the perceived safety of one million streetscapes" Greater Columbus Convention Center 779-785, 2014

12 Ewing, R, "Relationship between urban sprawl and physical activity, obesity, and morbidity’" 567-582, 2008

13 Zhao, H, "Pyramid scene parsing network" Hawaii Convention Center 2881-2890, 2017

14 Porzi, L, "Predicting and understanding urban perception with convolutional neural networks" 139-148, 2015

15 Talebi, H, "Nima: neural image assessment" 27 (27): 3998-4011, 2018

16 Frank, L, "Impact of mixed use and density on three modes of travel" 1446 : 44-52, 1994

17 Ewing, R, "Identifying and measuring urban design qualities related to walkability" 3 (3): 223-240, 2006

18 LeCun, Y, "Gradient-based learning applied to document recognition" 86 (86): 2278-2324, 1998

19 Dubey, A, "Deep learning the city: quantifying urban perception at a global scale’" University of Amsterdam 196-212, 2016

20 Zhang, L, "Deep learning for remote sensing data: a technical tutorial on the state of the art" 4 (4): 22-40, 2016

21 Zou, Q, "Deep learning based feature selection for remote sensing scene classification" 12 (12): 2321-2325, 2015

22 Najafabadi, MM, "Deep learning applications and challenges in big data analytics" 2 (2): 1-21, 2015

23 LeCun, Y, "Deep learning" 521 (521): 436-444, 2015

24 Naik, N, "Computer vision uncovers predictors of physical urban change" 114 (114): 7571-7576, 2017

25 LeCun, Y, "Backpropagation applied to handwritten zip code recognition" 1 (1): 541-551, 1989

26 Liu, L, "A machine learning-based method for the large-scale evaluation of the qualities of the urban environment" 65 : 113-125, 2017

27 McCulloch, WS, "A logical calculus of the ideas immanent in nervous activity" 5 (5): 115-133, 1943

28 Hinton, GE, "A fast learning algorithm for deep belief nets" 18 (18): 1527-1554, 2006