基于深度学习的城市情感空间构建研究

People always affected by all kinds of factors of the urban appearance, inducing emotions like pleasant or depressed. However, observers’ general feeling is built on intuition without specific features description. The way to understand urban perception and to conduct visual impact assessment is considerably constrained by limited participants as well as the lack of effective quantitative models. This research first proposed a large-scale street view image labeling method, to provide training dataset for an improved Convolutional Deep Neural Network. And the research will then explore the latent key spatial visual features by feature visualization technology of deep neural network. Based on this, to develop a comprehensive multi-layer semantic model for urban visual quality assessment. The long term significant of this research is to provide insight in spatial data mining and knowledge discovery, further to contribute a better understanding in urban complex system, urban heterogeneous research as well as urban design.

在城市环境中，各种空间可视要素作为构成的人们审美对象的形式信息总和，是城市设计研究的主要内容。针对在城市设计中，观察者对环境主观情感体验的量化与建模难题，本研究首先提出一种大规模城市街景影像与情感标注的深度学习训练方法，有监督地训练一种具有面向认知连接的深度卷积神经网络；通过特征可视化的方法，挖掘模型在自主特征学习过程中，其内部认知相关的深层次视觉特征，揭示其对应的、潜在的、关键的城市景观可视要素；与此同时，基于多层次的神经网络结构及其相应空间要素，建立一个综合的多层次语义关联模型，连接城市空间中视觉要素和观察者情感体验，解决面向城市空间感知与认知的、定量评估问题。研究成果期望为基于大数据的城市空间研究，提供空间数据挖掘与知识发现的新思路，对城市复杂系统、城市空间异质性研究，城市景观设计评估等具有潜在的理论和应用价值。

在城市环境中，各种空间可视要素作为构成的人们审美对象的形式信息总和，是城市设计研究的主要内容。针对在城市设计中，观察者对环境主观情感体验的量化与建模难题，本课题以基于深度学习和计算机视觉为代表的人工智能技术为为切入点，实现了一系列面向城市物质空间定量表达和分析的方法。首先提出了一种大规模城市街景影像与情感标注的深度学习训练方法，有监督地训练一种具有面向认知连接的深度卷积神经网络；其次通过特征可视化的方法挖掘出了模型在自主特征学习过程中，其内部认知相关的深层次视觉特征，揭示其对应的、潜在的、关键的城市景观可视要素；该方法体系实现了城市物质空间量化分析方法的原始创新，为基于大数据的人地关系研究、建成环境量化研究、空间数据挖掘与知识发现研究提供新的思路，对地理信息科学、城市规划领域具有潜在的理论和应用价值。