基于衛(wèi)星圖的小樣本街區(qū)品質(zhì)評估

郭茂祖，王偲佳，王鵬躍，趙玲玲

（1.北京建筑大學 電氣與信息工程學院，北京 100044;2.北京建筑大學 建筑大數(shù)據(jù)智能處理方法研究北京重點實驗室，北京 100044;3.北京建筑大學 建筑與城市規(guī)劃學院，北京 100044;4.哈爾濱工業(yè)大學 計算機科學與技術(shù)學院，黑龍江 哈爾濱 150001）

街區(qū)是城市規(guī)劃和設(shè)計中的重要部分。街區(qū)通常指城市中被道路包圍的區(qū)域，或借助其他自然特征或人文特征進行劃分的區(qū)域，是城市結(jié)構(gòu)的基本組成部分。街區(qū)的品質(zhì)評估方法能夠以統(tǒng)一規(guī)范對各街區(qū)的品質(zhì)進行客觀評估，其結(jié)果可以作為街區(qū)品質(zhì)的提升工作和后期街區(qū)建設(shè)規(guī)劃工作的基礎(chǔ)。因此，街區(qū)的品質(zhì)評價有著重要價值和意義。在有關(guān)城市街區(qū)品質(zhì)評估方法的眾多研究中，以圖像數(shù)據(jù)構(gòu)建評估模型是其中重要的分支。相比于非圖像數(shù)據(jù)，圖像數(shù)據(jù)易于獲取且無需考慮多源數(shù)據(jù)的融合問題。

街景圖像被廣泛應(yīng)用于與建筑規(guī)劃相關(guān)的研究中。在目前已有的成果中，Rundle[1]利用街景圖像對紐約37 個步行街區(qū)進行街區(qū)環(huán)境美感與其他物質(zhì)空間指標進行評價。Naik[2]通過街景圖像的智能評價計算2007—2014 年間的streetscore 指數(shù)，以此評價美國21 個城市街道空間的安全度。Ewing[3]則基于已有的指標體系從不同維度對街景圖像的空間圍合度、意象性等量化評價進行打分。韓君偉[4]將視覺熵引入到量化商業(yè)步行街道景觀視覺復雜性的研究中，并借助數(shù)字攝像和計算機圖像處理技術(shù)進行分析。龍瀛等[5]將大數(shù)據(jù)與街景數(shù)據(jù)結(jié)合，對北京和成都的街道空間進行品質(zhì)分析，并提出評價指標：人口密度、城市活力、界面特征、交通特征、開發(fā)強度、可達性等。唐婧嫻等[6]通過計算機圖像識別、圖像分割技術(shù)和人口訪問調(diào)查方法研究北京和上海的中心區(qū)街道品質(zhì)，得出街道環(huán)境設(shè)計要素為：綠化率、街道高寬比、街道尺度、街道活力、街道圍合度、人性化尺度、通透性、整潔度、意象化等。樊鈞等[7]在對蘇州古城區(qū)街道空間慢行品質(zhì)的研究中，通過空間網(wǎng)絡(luò)分析、聚類算法技術(shù)分析等提出評價指標：興趣點、位置服務(wù)數(shù)據(jù)、街道尺度、組織結(jié)構(gòu)、綠化率、空間活力、設(shè)施均好性、街道五感等。

上述研究多采用以行人視角拍攝的街景圖像進行評估，但不同圖像采集點的拍攝角度和高度等標準不統(tǒng)一，易造成圖像內(nèi)容偏差，進而影響街區(qū)特征的表達效果。衛(wèi)星圖像相對于街景圖像更易獲取，基于衛(wèi)星圖的街區(qū)品質(zhì)評估可操作性強，適用范圍廣。此外衛(wèi)星圖像采集方式和角度統(tǒng)一，可有效減少街景圖像的視角偏差帶來的模型誤差。

衛(wèi)星圖可以解決街區(qū)圖像在采集和表達上的偏差問題且能夠更加快速地采集并擴充數(shù)據(jù)集，但建筑師人工標注的高成本仍然使得數(shù)據(jù)集中帶標簽圖像的數(shù)量遠低于常規(guī)方法中訓練深度學習模型所需。在研究中經(jīng)常會遇到帶有專家標注的數(shù)據(jù)量無法達到模型訓練需求的情況，研究者為了更好應(yīng)對帶標注數(shù)據(jù)量小的問題，結(jié)合人類可從少量例子中學習新對象的特點，提出了可從有限樣本中學習的方法-小樣本學習（few shot learning,FSL）。小樣本學習從訓練集中隨機抽取數(shù)據(jù)組成不同批次用于模型訓練，最大化模型訓練的充分程度。通過本文對算法的改進，模型可以繼承訓練過程中生成子空間的參數(shù)與各類子空間均值，并在測試過程中快速完成分類。這種繼承參數(shù)的方法可以減少類別特性弱的數(shù)據(jù)對小樣本數(shù)據(jù)集的影響，使得分類結(jié)果更具泛化性。

本文在街區(qū)品質(zhì)評估中做了如下貢獻：

1）本文將計算機領(lǐng)域中的圖像分類技術(shù)引入到建筑領(lǐng)域?qū)謪^(qū)品質(zhì)的評估中，證明了計算機代替人工評估的可行性；

2）提出將衛(wèi)星圖像用于數(shù)據(jù)采集，通過矢量數(shù)據(jù)對衛(wèi)星圖中各街區(qū)進行比對和截取。此方法可以避免街景圖像因采集角度和時間等的不確定性造成圖像內(nèi)容偏差，并可以提高圖像數(shù)據(jù)采集效率，節(jié)約成本；

3）提出繼承參數(shù)的自適應(yīng)子空間方法，使得模型具有記憶性，對訓練過程中出現(xiàn)過的類別更快速直接地分類。繼承參數(shù)有助于降低類別特性弱的樣本對類別整體特性表征的負面影響，避免模型學習效率和分類準確度的降低。

1 相關(guān)工作

小樣本學習算法根據(jù)模型對先驗知識的利用方式可分為3 個類別：基于模型、基于優(yōu)化、基于度量[8]?；诙攘康男颖緦W習方法先使用先驗知識增強數(shù)據(jù)擴充監(jiān)督信息，然后通過距離計算進行分類。其中匹配網(wǎng)絡(luò)（matching nets）[9]和Samos[10]樣本間距離的度量確定新對象的標簽。而原型網(wǎng)絡(luò)（prototypical nets）[11]將樣本度量擴展到類度量，即來自特定類的所有樣本的特征將被認為是該類別的類原型。關(guān)系網(wǎng)絡(luò)（relation nets）[12]則在孿生網(wǎng)絡(luò)和原型網(wǎng)絡(luò)的線性關(guān)系分類器基礎(chǔ)上，提供了可學習的非線性關(guān)系分類器。另外，Ren 等[13]表明未標記的圖像有助于提高小樣本學習模型的性能，并在研究中成功使用未標記圖像細化原型網(wǎng)絡(luò)。

Simon[14]、Yoon[15]和Devos[16]在各自的研究中均使用了子空間描述的小樣本學習（few-shot learning,FSL）。其中Yoon 提出的任務(wù)自適應(yīng)映射網(wǎng)絡(luò)（task-adaptive projection net,Tap Net）[15]中的投影是特定于任務(wù)的，而Simon 的方法中投影是特定于類別的。本文方法是基于Simon 等[17]于2020 年提出以自適應(yīng)子空間作為分類器進行小樣本學習方法的改進。Simon 通過深度神經(jīng)網(wǎng)絡(luò)提取圖像特征矩陣，然后用奇異矩陣分解方法生成子空間，通過計算數(shù)據(jù)點到各類子空間上投影距離完成分類，具體內(nèi)容如下。

Simon 使用四層卷積神經(jīng)網(wǎng)絡(luò)提取街區(qū)衛(wèi)星圖像的特征。卷積神經(jīng)網(wǎng)絡(luò)由4 個卷積模塊組成，每個卷積層模塊所包含層的數(shù)量和類別相同，激活層選用線性整流函數(shù)（rectified linear unit,RELU）作為激活函數(shù)。

子空間的基礎(chǔ)向量由矩陣奇異值分解（singular value decomposition,SVD）獲得。奇異值分解方法將減去該類別均值的圖像特征矩陣分解為3 個小矩陣（如圖1），本文方法取左矩陣作為該類別子空間的基礎(chǔ)。假設(shè)矩陣A為m×n矩陣，則定義矩陣A的SVD 為

圖1 奇異值分解Fig.1 Singular value decomposition

式中：U為m×n矩陣；Σ 為m×n矩陣，除主對角線上的元素外全為0，主對角線上每個元素都被稱為奇異值；V是n×n矩陣。U和V都是酉矩陣，即均滿足UTU=I,VTV=I。

矩陣V和U的定義分別為

子空間分類器的定義為

查詢集所屬類別的概率由softmax 函數(shù)定義（見式(1)）。子空間生成后，生成器隨機選取未標記樣本經(jīng)預處理后送入深度神經(jīng)網(wǎng)絡(luò)中得到特征矩陣，計算本批次樣本與子空間的投影距離，得到描述損失。

子空間方法通過反向傳播損失函數(shù)和自適應(yīng)學習率的方式調(diào)整卷積神經(jīng)網(wǎng)絡(luò)中的各項可調(diào)節(jié)參數(shù)，采用格拉斯曼幾何[18]方法最大化子空間之間的距離，進而得到可以使特征矩陣在奇異值分解后各類別子空間的區(qū)分程度最大化的卷積神經(jīng)網(wǎng)絡(luò)。假設(shè)兩個子空間Pi和Pj，其兩子空間間的投影度量被定義為

以上三步生成的交叉熵損失和描述損失相加，反向傳播調(diào)節(jié)深度神經(jīng)網(wǎng)絡(luò)的參數(shù)。模型訓練過程由以上訓練步驟迭代組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)與奇異值分解Fig.2 Network structure and SVD

2 基于繼承自適應(yīng)子空間的衛(wèi)星圖像小樣本學習模型

本文在自適應(yīng)子空間方法的基礎(chǔ)上，針對建筑設(shè)計領(lǐng)域傳統(tǒng)圖像數(shù)據(jù)難以采集、帶標簽的街區(qū)數(shù)據(jù)集樣本量小且不平衡等特點，提出了從衛(wèi)星圖截取街區(qū)圖像的數(shù)據(jù)采集方式和繼承參數(shù)的自適應(yīng)子空間方法。

2.1 模型整體結(jié)構(gòu)

本方法將衛(wèi)星圖像經(jīng)預處理轉(zhuǎn)化為數(shù)值矩陣，使用四層卷積神經(jīng)網(wǎng)絡(luò)對其進行特征表示輸出特征矩陣，將特征矩陣減去該類均值后奇異值分解，得到左奇異矩陣作為該樣本類別的子空間，并將特征矩陣到子空間的投影距離和交叉熵損失反向傳播回卷積神經(jīng)網(wǎng)絡(luò)進行調(diào)參。模型的整體結(jié)構(gòu)如圖3 所示。

圖3 模型整體結(jié)構(gòu)Fig.3 Overall structure of the model

2.2 街區(qū)衛(wèi)星圖像獲取

本文通過谷歌衛(wèi)星地圖獲取高清衛(wèi)星圖像，并結(jié)合街區(qū)輪廓矢量數(shù)據(jù)進行框選和截取，獲得嚴格按照街區(qū)輪廓劃分的衛(wèi)星圖像并編號。由于卷積神經(jīng)網(wǎng)絡(luò)輸入圖像需為規(guī)則圖形，故將原街區(qū)圖像取最小外接矩形并填充白色背景，避免無關(guān)內(nèi)容影響模型訓練，如圖4 所示。

圖4 第8 號街區(qū)Fig.4 Block 8

三通道圖像在輸入卷機神經(jīng)網(wǎng)絡(luò)前需要完成預處理，包括統(tǒng)一調(diào)整為 84×84尺寸，并依據(jù)Imagenet 數(shù)據(jù)集的均值和標準差進行標準化處理，其中均值m=[0.485,0.456,0.406]，標準差s=[0.229,0.224,0.225]。三通道圖像在輸入卷積神經(jīng)網(wǎng)絡(luò)前需要完成預處理，將圖像X標準化得到μ為圖像均值。

2.3 分類器子空間參數(shù)的繼承策略

本文將訓練過程中每次訓練得出的子空間矩陣和各類別特征矩陣均值傳遞給街區(qū)品質(zhì)評估過程，與待評估街區(qū)的特征矩陣共同完成街區(qū)品質(zhì)評估。子空間參數(shù)的繼承策略如圖5 所示。

圖5 繼承策略Fig.5 Inheritance strategy

本文數(shù)據(jù)集中各類別的數(shù)據(jù)量不等，屬于數(shù)據(jù)失衡。需要注意的是，數(shù)據(jù)集不平衡會影響繼承子空間參數(shù)分類器的性能，其原因在于子空間生成過程中，非平衡數(shù)據(jù)集中數(shù)據(jù)量小的類別中必然有數(shù)據(jù)被多次重復使用的情況，在求子空間矩陣均值和類別特征矩陣均值的過程中形成偏差。如圖6、7 中C1,C2,···,CN分別為不同數(shù)據(jù)的特征矩陣。

圖6 空間均值Fig.6 Mean of spatial

圖7 為各個矩陣的空間關(guān)系，可知偏差為新均值與原均值的差值，偏差為。

圖7 新空間均值和偏差Fig.7 New mean of spatial and deviation

訓練集的數(shù)據(jù)被多次使用形成的偏差會影響子空間矩陣均值的計算。因此訓練過程中批次生成的方式會使得非平衡數(shù)據(jù)集的不平衡性直接影響子空間參數(shù)，進而造成模型的預測準確性的降低。

本文提出的方法將相關(guān)參數(shù)進行儲存，待所有訓練和驗證步驟完成后，返回到測試過程中。除深度神經(jīng)網(wǎng)絡(luò)模型和相關(guān)參數(shù)外，繼承子空間參數(shù)的方法還將訓練過程中生成所有子空間矩陣的均值和各類別數(shù)據(jù)特征矩陣的均值繼承到測試過程中，結(jié)合測試集樣本的各項參數(shù)重新計算并完成分類，如算法1 所示。

算法1繼承子空間參數(shù)的街區(qū)品質(zhì)評估

3 實驗結(jié)果分析

本文以經(jīng)過專家評估和標注的真實街區(qū)衛(wèi)星圖像作為數(shù)據(jù)集，并設(shè)置對比實驗驗證本文使用方法的可行性和有效性。

3.1 參數(shù)學習

本文選取的研究對象為北京市西城區(qū)展覽館街道，該街道位于西城區(qū)西北部，屬于首都功能核心區(qū)控制性詳細規(guī)劃（街區(qū)層面）的規(guī)劃范圍。其中，展覽路街道地塊（北京建筑大學所在片區(qū)、團結(jié)片區(qū)）為本文的研究范圍，如圖8 所示，以此進行城市街區(qū)品質(zhì)評估方法的實驗探究。

圖8 展覽館街道地塊Fig.8 Satellite map of the exhibition hall area

本研究所選街區(qū)范圍包括：臨街步行空間（建筑臨街區(qū)）、行人通行區(qū)（人行道），甚至包括公交車道和自行車道組成的慢行車道[19-20]，如圖9所示。

圖9 評估區(qū)域范圍Fig.9 Scope of the study area

1）數(shù)據(jù)集1：Jiequ 數(shù)據(jù)集。由5 位建筑學專家通過實地調(diào)研與考察，按少數(shù)服從多數(shù)原則確定各街區(qū)最終的空間品質(zhì)等級，將各個街區(qū)按空間品質(zhì)分為A、B、C 三個等級。將表1 所示樣本分布構(gòu)成的衛(wèi)星圖像真實數(shù)據(jù)集命名為“Jiequ”。

表1 Jiequ 數(shù)據(jù)集組成Table 1 Composition of the Jiequ dataset

Jiequ 數(shù)據(jù)集劃分為train、validation、test 三個子集，劃分比例為1∶2∶1。其中：train 集用于模型訓練；validation 集用于在訓練過程中分階段評估和篩選模型；test 集用于在輸入訓練好的模型中進行預測，對模型的分類性能進行最終評估。

2）數(shù)據(jù)集2：Mini-jiequ 數(shù)據(jù)集。由于Jiequ 數(shù)據(jù)集中樣本不均衡，為對比樣本均衡性對模型性能的影響，將街區(qū)數(shù)據(jù)集以單類最小樣本數(shù)為基準，其余類別的樣本進行隨機削減，創(chuàng)建均衡數(shù)據(jù)集Mini-jiequ，如表2 所示。

表2 Mini-jiequ 數(shù)據(jù)集組成Table 2 Composition of the Mini-jiequ dataset

Mini-jiequ 數(shù)據(jù)集劃分為train、validation、test 三個子集，劃分比例為1∶1∶1。

以上各數(shù)據(jù)集的各子集在進入模型前會按照既定的數(shù)目a、b隨機抽取并打包為一批次，其中a為用于生成子空間的樣本個數(shù)，b為用于計算樣本到子空間的投影距離的樣本個數(shù)。

3.2 實驗參數(shù)設(shè)置

1）深度神經(jīng)網(wǎng)絡(luò)初始設(shè)置：深度神經(jīng)網(wǎng)絡(luò)由4 個卷積模塊組成，其中卷積模塊中的核函數(shù)大小為 3×3，池化為2，輸出通道數(shù)為64。

2）數(shù)據(jù)批次設(shè)置：在使用Jiequ 數(shù)據(jù)集訓練模型時，樣本被隨機生成100 個批次，每批次中參數(shù)a為1，b為2。模型訓練總迭代次數(shù)為100，每迭代10 次進行模型驗證并儲存模型和相關(guān)參數(shù)。

在使用Mini-jiequ 數(shù)據(jù)集訓練模型時，樣本被隨機生成為15 個批次，各批次組成方式分兩類：一類為每批次中參數(shù)a為3，b為2；另一類每批次中參數(shù)a為1，b為2。

3）對比模型：匹配網(wǎng)絡(luò)(matching nets)、maml(model-agnostic meta-learning)[21]、原型網(wǎng)絡(luò)(prototypical nets)、關(guān)系網(wǎng)絡(luò)(relation nets)。

3.3 模型評價標準

街區(qū)數(shù)據(jù)集樣本數(shù)目小且類別間不均衡，故本文選用自助法進行模型評估。按照自助法的特點，使用多次測試取平均的方法進行模型性能度量，其中每項指標隨機選取100 組數(shù)值進行計算并在文中展示。參考文獻[22-25]，本文采用的評價指標為正確率、F1、加權(quán)宏平均和Kappa 系數(shù)。

3.4 實驗結(jié)果

由于模型訓練過程中批次的組成具有隨機性，故采取自助法進行測試，分別計算各模型的F1值、加權(quán)平均宏、正確率和K值。由表3 可知，在使用不平衡Jiequ 數(shù)據(jù)集進行街區(qū)品質(zhì)評估時繼承子空間參數(shù)，反而使得性能較不繼承子空間參數(shù)有所下降，其原因在于前文分析得出的數(shù)據(jù)集的不平衡性會造成包含數(shù)據(jù)少的類別在模型訓練過程中被過度學習，產(chǎn)生偏差。

重新劃分后，數(shù)據(jù)集Mini-jiequ 的訓練結(jié)果明顯優(yōu)于非平衡數(shù)據(jù)集。由表3 可知，在參數(shù)a=1，b=2 時繼承子空間參數(shù)的方法相比原方法的F1值和加權(quán)平均宏值均提高0.02，K值提高0.03，正確率提高了1.7%。

表3 各模型對比Table 3 Comparison of each model

模型使用Mini-jiequ 數(shù)據(jù)集訓練的情況下，參數(shù)a最大可取為3，表中繼承子空間參數(shù)的方法較原方法的F1值和加權(quán)平均宏值均提高0.05，K值提高0.08，正確率提高5.4%。

參數(shù)a代表用于生成子空間的圖像數(shù)量，b代表用于計算描述損失并預測類別的圖像數(shù)量。

模型訓練時，各類別均有a個數(shù)據(jù)用來計算均值、偏差，進行均值細化，然后經(jīng)過SVD 得到各類子空間；各類別中有b個數(shù)據(jù)用來計算分到各類別的概率，進行類別預測。反向傳播的損失值來自于以上兩個過程之和，分別為a個數(shù)據(jù)生成子空間時的交叉熵損失，b個數(shù)據(jù)預測類別時的交叉熵損失和描述損失。

當a增大時，每一批次送入模型的數(shù)據(jù)增多，有更多數(shù)據(jù)用于計算均值、偏差和各類子空間，理論上來講綜合了各類別中更多數(shù)據(jù)的信息，更接近該類別整體數(shù)據(jù)的信息量，不易受劣質(zhì)數(shù)據(jù)影響；當b增大時，用于計算描述損失、驗證分類性能的數(shù)據(jù)增多，起到了更好地判斷、調(diào)參的作用。損失值由a、b生成子空間和預測過程生成，但b在反向傳播調(diào)參時發(fā)揮了更大作用。a、b的取值需要結(jié)合數(shù)據(jù)情況進行設(shè)置，當a、b增大使得每一批次包含的數(shù)據(jù)增多，學習效率和分類效果均會有所提升。

圖10 是繼承子空間參數(shù)模型的混淆矩陣，每一次測試過程中形成的批次大小為6，批次個數(shù)為20，經(jīng)自助法多次測試后取平均值生成混淆矩陣用于展示說明。

圖10 繼承子空間方法在Mini-Jiequ 數(shù)據(jù)集下的混淆矩陣（a=3,b=2）Fig.10 Confusion matrix of inheritance subspace method on the Mini-Jiequ dataset（a=3,b=2）

從混淆矩陣中發(fā)現(xiàn)類別A、B、C 的正確識別個數(shù)分別為20、20、19，識別準確度接近，且錯誤識別的個數(shù)均為5。出現(xiàn)這一情況的原因從數(shù)據(jù)上分析是因為數(shù)據(jù)集中各類別僅有15 張圖片，訓練出的模型在樣本不明顯屬于某一類時缺乏更精細的區(qū)分，使得識別出錯。所以，在條件允許的情況下應(yīng)盡量獲取更多樣本，并在訓練模型之前對樣本進行分析。通過對比實驗，本文引用Simon[17]使用奇異矩陣分解生成自適應(yīng)子空間分類器的方法具有更好的分類效果，本文提出的繼承子空間參數(shù)的改進方案在一定程度上具有更高的分類準確度。在街區(qū)品質(zhì)評估中，衛(wèi)星圖像因其易取得和視角統(tǒng)一的特性，在數(shù)據(jù)獲取和模型訓練過程中均具有優(yōu)勢，但由于目前帶標簽的數(shù)據(jù)集僅有141 張圖片，模型的識別正確率僅為65.9%，對于數(shù)據(jù)集的補充和模型的優(yōu)化將有利于街區(qū)品質(zhì)的評估。

4 結(jié)束語

本研究采用小樣本學習中的子空間分類方法，并在原有基礎(chǔ)上進行了改進，通過從訓練集繼承的子空間參數(shù)賦予模型記憶性。子空間分類起初用于不固定類別的小樣本分類問題，其通過卷積神經(jīng)網(wǎng)絡(luò)提取特征，并通過SVD 將其進行奇異值分解，并與均值、偏差等數(shù)值結(jié)合進行均值細化，然后使用其他數(shù)據(jù)進行投影距離計算、類別預測，將描述損失回傳調(diào)參。該方法不再關(guān)注各圖像在視覺上的聯(lián)系，而是關(guān)注圖像所屬類別本身（類別子空間）之間的關(guān)系，通過最大化各類別子空間之間的距離，矯正類別子空間，得到最具有該類別代表性的子空間。當使用這樣的子空間進行類別預測時，不易出現(xiàn)邊界數(shù)據(jù)難以分類或分類錯誤的問題，進而提高了小樣本學習的分類性能。

本文在原方法最大化各子空間距離的基礎(chǔ)上，結(jié)合本任務(wù)品質(zhì)類別固定的特點，繼承了訓練集構(gòu)造的子空間特征和基于卷積網(wǎng)絡(luò)提取圖像的特征表示網(wǎng)絡(luò)參數(shù)，相比于只使用特征表示參數(shù)的原方法，充分挖掘了訓練集中的有效信息。減輕了小樣本學習因樣本不足導致模型訓練效果差的問題，提升了模型性能。

同時本文摒棄了使用街景圖作為街區(qū)表征的傳統(tǒng)數(shù)據(jù)采集方法，換用拍攝視角統(tǒng)一的衛(wèi)星圖像，并結(jié)合矢量數(shù)據(jù)精確裁剪的方法。以上創(chuàng)新使得自適應(yīng)子空間的分類方法能夠應(yīng)用于少量街區(qū)衛(wèi)星圖像數(shù)據(jù)集的訓練中，并實現(xiàn)輕量級街區(qū)品質(zhì)評估。該方法具有以下優(yōu)勢：

1）區(qū)別于街景圖存在取景位置和角度不統(tǒng)一導致的誤差問題，衛(wèi)星圖在低人力和時間成本下可保證取景角度一致，且數(shù)據(jù)獲取方式簡單，應(yīng)用范圍廣，更適宜應(yīng)用到未來大規(guī)模的設(shè)計和規(guī)劃工作中。

2）本方法選用卷積神經(jīng)網(wǎng)絡(luò)作為衛(wèi)星圖像的特征矩陣提取器，并將訓練好的子空間參數(shù)用于街區(qū)品質(zhì)評估，相較于傳統(tǒng)的定性研究和定量分析，可避免專家在人工評估中由于個體主觀差異對評估結(jié)果造成的影響，可更科學地實現(xiàn)問題導向下的城市分析，助力于城市規(guī)劃與設(shè)計分析的科學性和創(chuàng)新性。

3）通過對城市街道公共空間進行科學、精確的評價后，可更好地發(fā)現(xiàn)城市街道公共空間中的“消極空間”和“剩余空間”，激活并實現(xiàn)對城市街道公共空間的科學、高效、合理的利用，從而達到功能優(yōu)先、文化傳承、場所打造、環(huán)境品質(zhì)提升的目標。

由于數(shù)據(jù)集存在數(shù)據(jù)不平衡的問題，模型會產(chǎn)生偏差從而導致性能降低。因此，下一步的研究方向為減弱不平衡數(shù)據(jù)對于模型訓練的不良影響，增強模型性能。