Deep neural network models with explainable components for urban space perception
Loading...
Date
2021
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
La percepción urbana ha sido un tema de investigación importante por al menos 60
años, con trabajos hechos desde una variedad de disciplinas, usando distintas metodologías
principalmente basadas en encuestas sobre ambientes urbanos reales o simulados. Recientemente,
el surgimiento de las tecnologías web ha aumentado masivamente la disponibilidad
de grandes volúmenes de datos y de técnicas de recolección de datos altamente escalables
permitiendo que técnicas pertenecientes a otros dominios sean utilizadas para estimar
la percepción urbana. En particular, algunos métodos de aprendizaje de máquina, usados
ya sea como modelos completos o como herramientas de extracción de características,
han demostrado ser muy efectivos para la cuantificación automática de la percepción. Estos
métodos (en particular las redes neuronales) presentan la desventaja de tener una naturaleza
caja negra, que dificulta la capacidad de entender los resultados obtenidos desde el
punto de vista humano, lo que limita su aplicabilidad.
En este trabajo presentamos una nueva arquitectura de red neuronal para la cuantificación de la percepción urbana. A partir de una imagen nuestro mejor modelo, AttnSeg-
Rank, entrega como resultado una estimación de la percepción, junto a un conjunto de pesos
que (visualizables como un mapa de calor) que reflejan la importancia de cada parte de
la imagen en el calculo del score. Esto se lo logra incluyendo un segmentador semántico
combinado con un mecanismo de atención como parte de la arquitectura de la red. El
modelo que mostramos en este trabajo logra un rendimiento similar a los existentes en
la literatura pero con mucho mejor interpretabilidad, haciéndolo no solo un modelo más
útil para medición e investigación de la percepción urbana, si no que una contribución a
la explicabilidad en aprendizaje profundo y visión por computador que se puede aplicar a
otras tareas.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2021