李 淵

（華中科技大學(xué) 武漢 430074）

1 引言

傳統(tǒng)的城市環(huán)境評(píng)價(jià)研究通常采用基于現(xiàn)場(chǎng)調(diào)研的方法，這類(lèi)方法難以在大范圍、精細(xì)化的尺度上對(duì)城市環(huán)境進(jìn)行有效的評(píng)估。隨著信息技術(shù)的發(fā)展，街景圖像成為城市環(huán)境評(píng)價(jià)研究中新的重要數(shù)據(jù)源，街景圖像具有覆蓋面廣、信息量涵蓋豐富、采集成本低等優(yōu)勢(shì)，基于街景圖像理解的城市環(huán)境評(píng)價(jià)方法逐漸成為城市環(huán)境評(píng)價(jià)的重要手段［1］。早在1990年，Jack L等就提出用計(jì)算機(jī)視覺(jué)的方法來(lái)量化街景的質(zhì)量［2］。2001年，Oliva A等通過(guò)區(qū)域生長(zhǎng)的方法分割出街景圖像“街道”、“天空”等區(qū)域，并人為設(shè)定規(guī)則，實(shí)現(xiàn)對(duì)街景圖像的評(píng)價(jià)［3］。2012年，Goel A等綜合了Geometric Texton、GIST和Color Histograms等特征［4］，改進(jìn)了Kmeans聚類(lèi)，實(shí)現(xiàn)了不同城市街景圖像風(fēng)格的分類(lèi)。這類(lèi)街景圖像評(píng)價(jià)方法基于人工設(shè)定規(guī)則，利用人對(duì)街景圖像評(píng)價(jià)時(shí)會(huì)考慮的因素如“綠化率”、“整潔度”等，通過(guò)對(duì)街景圖像內(nèi)容進(jìn)行相應(yīng)的分析得出評(píng)價(jià)。然而這類(lèi)方法評(píng)價(jià)規(guī)則上帶有規(guī)則設(shè)計(jì)者的主觀色彩，評(píng)價(jià)方法不客觀且效果不理想。2014年，MIT Media Lab的Nikhil Naik等提出“streetscore”項(xiàng)目［5］，Naik等人收集了1萬(wàn)多張美國(guó)的街景圖像，以0到10為安全感的打分范圍，進(jìn)行了人工標(biāo)簽，首次通過(guò)監(jiān)督學(xué)習(xí)的方法實(shí)現(xiàn)了對(duì)街景圖像的評(píng)價(jià)。帶有數(shù)據(jù)監(jiān)督的方法能從數(shù)據(jù)中學(xué)習(xí)到潛在的聯(lián)系，相較于傳統(tǒng)方法而言較為客觀，也更有說(shuō)服力［6～8］，使用評(píng)分來(lái)量化對(duì)街景圖像的評(píng)價(jià)會(huì)更加直觀，讓人們更容易接受。

卷積神經(jīng)網(wǎng)絡(luò)在圖像領(lǐng)域的發(fā)展帶來(lái)了更好的圖像全局特征提取方法，相比傳統(tǒng)的特征提取方法，深度卷積神經(jīng)網(wǎng)絡(luò)提取的特征具有信息損失更少、魯棒性高和泛化性等優(yōu)點(diǎn)［11］。2015年，Lorenzo Porzi等人使用改進(jìn)的Alexnet提取特征［7］，有效地提高了模型的“打分”能力。在應(yīng)用層面上，2016年，Edward Glaeser等人通過(guò)學(xué)習(xí)谷歌街景來(lái)預(yù)測(cè)紐約的地區(qū)收入水平。隨后，Dubey A，Naik N，Parikh D合作將訓(xùn)練集規(guī)模提升到110，988幅街景圖像，標(biāo)簽上從安全感變?yōu)榘踩⒒顫娕c無(wú)聊等多個(gè)屬性，算法上采用了Resnet卷積神經(jīng)網(wǎng)絡(luò)［6］，進(jìn)一步提高了精確度［8，12］。

街景環(huán)境評(píng)價(jià)方法在近些年來(lái)取得了長(zhǎng)足的進(jìn)步，主要體現(xiàn)在兩個(gè)方面：基于人工設(shè)定規(guī)則的分類(lèi)方法逐漸被基于監(jiān)督學(xué)習(xí)的分類(lèi)算法取代［9］；傳統(tǒng)的特征提取方法逐漸被卷積神經(jīng)網(wǎng)絡(luò)取代，卷積神經(jīng)網(wǎng)絡(luò)提取的特征具有信息損失更少、魯棒性高和泛化性等優(yōu)點(diǎn)［10～11］。盡管如此，基于卷積神經(jīng)網(wǎng)絡(luò)的街景評(píng)價(jià)方法仍存在以下缺陷：用于街景評(píng)價(jià)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)多借鑒分類(lèi)任務(wù)，而分類(lèi)任務(wù)和街景評(píng)價(jià)是兩種不同得任務(wù)；現(xiàn)階段常用的損失函數(shù)能有效地度量錯(cuò)分類(lèi)導(dǎo)致的損失，然而難以度量街景錯(cuò)評(píng)價(jià)帶來(lái)的損失；傳統(tǒng)的街景評(píng)價(jià)方法將數(shù)據(jù)集的標(biāo)簽視作可靠的、有效地，然而街景評(píng)價(jià)標(biāo)簽具有標(biāo)注者較強(qiáng)的主觀性，標(biāo)簽并不能一定準(zhǔn)確地表達(dá)街景圖像的實(shí)際得分。基于以上缺點(diǎn)，論文從網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)、損失函數(shù)的修正、訓(xùn)練方法的優(yōu)化這三個(gè)方向著手，提出了更好的街景評(píng)價(jià)方法。

2 街景環(huán)境評(píng)價(jià)方法

基于卷積神經(jīng)網(wǎng)絡(luò)的街景環(huán)境評(píng)價(jià)方法實(shí)質(zhì)上是訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)輸入為街景圖像，網(wǎng)絡(luò)輸出為對(duì)街景圖像的環(huán)境評(píng)分。因此，設(shè)計(jì)出一個(gè)好的街景評(píng)價(jià)網(wǎng)絡(luò)和如何訓(xùn)練好網(wǎng)絡(luò)是基于卷積神經(jīng)網(wǎng)絡(luò)的街景評(píng)價(jià)方法的兩大核心問(wèn)題。

2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

2.1.1 Stem-Block結(jié)構(gòu)

對(duì)于街景評(píng)價(jià)問(wèn)題而言，起主要作用的是網(wǎng)絡(luò)深層提取的語(yǔ)義特征，而淺層網(wǎng)絡(luò)提取的像素級(jí)特征是深層網(wǎng)絡(luò)的基礎(chǔ)。

Stem Block先對(duì)輸入圖像做32通道3×3步長(zhǎng)為2的卷積，隨后對(duì)這32通道特征圖做兩個(gè)方向的處理：一方面對(duì)其做2×2的Max pooling，使其保留大部分響應(yīng)較強(qiáng)的特征信息；另一方面先對(duì)其做1×1的卷積，后再做32通道3×3步長(zhǎng)為2的卷積，獲得更深層的特征信息。最后對(duì)獲得的特征圖融合，Stem Block結(jié)構(gòu)使用較少的計(jì)算有效地獲得不同感受野的圖像底層級(jí)特征，并將輸入的尺寸降低了16倍。

圖1 Stem Block結(jié)構(gòu)簡(jiǎn)圖

2.1.2 雙通道特征整合

對(duì)于denselayer，采用所示的雙通道結(jié)構(gòu)，雙通道結(jié)構(gòu)借鑒了Inception的優(yōu)點(diǎn)，使用不同大小的卷積核有利于多尺度特征的學(xué)習(xí)，相較于傳統(tǒng)的單通道結(jié)構(gòu)，雙通道的特征提取結(jié)構(gòu)具有更好的感受野。另外為了避免計(jì)算量的大幅提升，將每個(gè)通道的通道數(shù)縮減為之前的一半，在降低計(jì)算量的同時(shí)，損失的信息量也相對(duì)較少。

圖2 Two-way Denselayers結(jié)構(gòu)簡(jiǎn)圖

2.1.3 網(wǎng)絡(luò)結(jié)構(gòu)

本文采用的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示：輸入圖像尺寸為224×224，經(jīng)過(guò)Stem Block結(jié)構(gòu)后，提取了32通道尺寸為56×56的低層次特征圖，后經(jīng)過(guò)4個(gè)Dense Block結(jié)構(gòu)不斷地提取更高層級(jí)的特征圖，最后為704通道尺寸為7×7的語(yǔ)義特征圖，通過(guò)均值操作提取了704維的特征向量。

圖3 網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)圖

2.2 基于類(lèi)間距離的交叉熵?fù)p失函數(shù)

對(duì)于分類(lèi)問(wèn)題，損失函數(shù)只需要衡量網(wǎng)絡(luò)錯(cuò)分類(lèi)導(dǎo)致的損失，如公式1，使用交叉熵?fù)p失函數(shù)度量錯(cuò)分類(lèi)導(dǎo)致的損失是適用的。其中J（θ）表示損失值，m表示一次梯度下降訓(xùn)練中所參與的樣本數(shù)量，xi，yi分別表示第i個(gè)樣本的輸入與標(biāo)簽的獨(dú)熱編碼值（one-hot encode），則=1，其他為0，hθk(xi)表示第i個(gè)樣本的分?jǐn)?shù)為k的神經(jīng)元的概率輸出。

公式1交叉熵?fù)p失函數(shù)

而對(duì)于街景評(píng)分而言，錯(cuò)誤的評(píng)分造成損失值不同，損失Jk(θ)應(yīng)與模型輸出分?jǐn)?shù)和標(biāo)簽分?jǐn)?shù)差k-si的絕對(duì)值成正相關(guān)，si表示第i個(gè)樣本標(biāo)簽分?jǐn)?shù)，因此在交叉熵的基礎(chǔ)上修正損失函數(shù)為

公式2基于類(lèi)間距離修正的交叉熵?fù)p失函數(shù)

2.3 基于課程學(xué)習(xí)策略的網(wǎng)絡(luò)訓(xùn)練

傳統(tǒng)的監(jiān)督學(xué)習(xí)方法在學(xué)習(xí)這些不可靠樣本時(shí)，會(huì)讓模型向有偏差甚至錯(cuò)誤的方向優(yōu)化，效果將會(huì)大打折扣［12～14］。在含有大量不可靠標(biāo)簽的數(shù)據(jù)集里，可以把整個(gè)數(shù)據(jù)集分成一系列子集，將子集按標(biāo)簽可靠性進(jìn)行排序，在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，依據(jù)樣本子集標(biāo)簽的可靠性順序，由可靠到不可靠依次對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，這種學(xué)習(xí)方法稱(chēng)為課程學(xué)習(xí)［15，17～18］。

對(duì)于訓(xùn)練集中的某一樣本，如果它與標(biāo)簽為同一類(lèi)別的大部分樣本具有較高的相似度，那么則認(rèn)為標(biāo)簽是相對(duì)可靠的，如果它與標(biāo)簽為同一類(lèi)別的大部分樣本具有較低的相似度，那么則認(rèn)為標(biāo)簽是相對(duì)不可靠的。

步驟1 使用2.1.3小節(jié)的卷積神經(jīng)網(wǎng)絡(luò)提取所有訓(xùn)練樣本的街景評(píng)分特征。

步驟2 對(duì)于標(biāo)簽同為L(zhǎng)的m個(gè)訓(xùn)練樣本，計(jì)算它們街景評(píng)分特征的相似度矩陣

步驟4 αi為第i個(gè)樣本與同類(lèi)別樣本集相似度的衡量，隨后以等分取閾值講訓(xùn)練樣本分為n類(lèi)，αi越大則認(rèn)為其越可靠，由此將訓(xùn)練樣本劃分為n個(gè)不同可靠性的訓(xùn)練子集。

3 準(zhǔn)備工作

3.1 樣本收集與評(píng)分體系建立

傳統(tǒng)的街景環(huán)境評(píng)價(jià)方法主要使用了Naik提供的數(shù)據(jù)集［5］，其中包涵了來(lái)自于美國(guó)各大城市的3214張街景圖像；為了豐富街景圖像來(lái)源，本文的street-score數(shù)據(jù)集圖像還收集了來(lái)自國(guó)內(nèi)不同城市的街景圖像，包涵了來(lái)自中國(guó)5大城市的18672張街景圖像。其評(píng)分含義為標(biāo)注者對(duì)街景圖像的綜合感官評(píng)價(jià)，包括整潔度、舒適度、美感和安全感等主觀感受。標(biāo)簽為0～10的11個(gè)等級(jí)的綜合感官評(píng)價(jià)，其中0代表最低評(píng)價(jià)，10代表著最高評(píng)價(jià)。

回歸算法中，常用指標(biāo)MAE（Mean Absolutely Error）反映了模型評(píng)分與標(biāo)簽評(píng)分的平均絕對(duì)誤差，MSE（Mean Squared Error）表達(dá)模型評(píng)分與標(biāo)簽評(píng)分的平均平方誤差。對(duì)于街景評(píng)分，當(dāng)網(wǎng)絡(luò)輸出評(píng)分與標(biāo)簽評(píng)分差不大于1，其輸出可以視為正確，評(píng)分正確的概率記作ACC（Accuracy）。在下文的實(shí)驗(yàn)中，將ACC、MAE、MSE作為反映模型性能的指標(biāo)。

3.2 街景圖像評(píng)分流程

基于卷積神經(jīng)網(wǎng)絡(luò)的街景評(píng)分流程如下。

步驟1 使用Place365數(shù)據(jù)集［12］對(duì)2.1.3小節(jié)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，使用街景評(píng)分?jǐn)?shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，直至損失基本不變。

步驟2 使用2.3小節(jié)的方法將街景評(píng)分?jǐn)?shù)據(jù)集劃分為若干個(gè)訓(xùn)練子集。

步驟3 使用標(biāo)簽最可靠的訓(xùn)練子集對(duì)網(wǎng)絡(luò)精調(diào)至損失基本不變。向訓(xùn)練集逐步加入相對(duì)不可靠的訓(xùn)練子集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至所有的訓(xùn)練子集均使用為止。

步驟4 對(duì)于任意街景圖像，將其歸一化后作為網(wǎng)絡(luò)的輸入，即可輸出街景圖像的評(píng)分。

圖4 street-score數(shù)據(jù)集街景圖像展示

4 實(shí)驗(yàn)分析

4.1 損失函數(shù)的對(duì)比實(shí)驗(yàn)

為驗(yàn)證基于類(lèi)間距離的交叉熵?fù)p失函數(shù)有利于網(wǎng)絡(luò)的街景評(píng)分性能，使用交叉熵?fù)p失函數(shù)對(duì)初始化的卷積神經(jīng)訓(xùn)練30個(gè)epoch，學(xué)習(xí)率設(shè)為0.01，優(yōu)化器為Adam。再用SGD對(duì)分類(lèi)器訓(xùn)練20個(gè)ep?och，學(xué)習(xí)率設(shè)為0.0002，分類(lèi)器的損失值基本保持不變。分別使用最大間隔交叉熵?fù)p失函數(shù)［12，16］、修正的損失函數(shù)重復(fù)上述步驟。

表1 兩種損失函數(shù)的對(duì)比

表1為驗(yàn)證集各指標(biāo)交叉驗(yàn)證5次的均值，實(shí)驗(yàn)表明，合適的損失度量將有利于模型擬合性能的提升，本文提出的損失函數(shù)使網(wǎng)絡(luò)性能提升的幅度較為明顯，street-score數(shù)據(jù)集上相較于交叉熵?fù)p失準(zhǔn)確率提升了2.8%，相較于最大間隔交叉熵?fù)p失準(zhǔn)確率提升了2.0%，平均絕對(duì)誤差相較于交叉熵?fù)p失下降了11.8%，相較于最大間隔交叉熵?fù)p失下降了8.76%。

4.2 訓(xùn)練方法的對(duì)比實(shí)驗(yàn)

為了驗(yàn)證基于課程學(xué)習(xí)策略的網(wǎng)絡(luò)訓(xùn)練方法使得網(wǎng)絡(luò)能有更好的評(píng)分效果，論文作出如下對(duì)比實(shí)驗(yàn)。

1）監(jiān)督學(xué)習(xí)方法，使用基于類(lèi)間距離的交叉熵?fù)p失函數(shù)對(duì)初始化的卷積神經(jīng)訓(xùn)練30個(gè)epoch，學(xué)習(xí)率設(shè)為0.01，優(yōu)化器為Adam。再用SGD對(duì)分類(lèi)器訓(xùn)練20個(gè)epoch，學(xué)習(xí)率設(shè)為0.0002，分類(lèi)器的損失值基本保持不變。

2）課程學(xué)習(xí)方法，使用2.3小節(jié)的方法將訓(xùn)練集分為3個(gè)訓(xùn)練子集：“相對(duì)可靠”的訓(xùn)練子集、“一般可靠”的訓(xùn)練子集、“不可靠”的訓(xùn)練子集。使用“相對(duì)可靠”的訓(xùn)練子集對(duì)初始化的卷積神經(jīng)訓(xùn)練20個(gè)epoch，學(xué)習(xí)率設(shè)為0.01，優(yōu)化器為Adam。向訓(xùn)練集加入“一般可靠”的訓(xùn)練子集，用SGD對(duì)網(wǎng)絡(luò)訓(xùn)練20個(gè)epoch，學(xué)習(xí)率設(shè)為0.0002。向訓(xùn)練集加入“不可靠”的訓(xùn)練子集，用SGD對(duì)網(wǎng)絡(luò)訓(xùn)練20個(gè)epoch，學(xué)習(xí)率設(shè)為0.0002。

表2表明，基于課程學(xué)習(xí)的訓(xùn)練方法有利于網(wǎng)絡(luò)街景評(píng)分性能的提升，提升的幅度較為明顯，street-score數(shù)據(jù)集上準(zhǔn)確率提升了6.4%，平均絕對(duì)誤差下降了7.76%。

表2 兩種訓(xùn)練方式的對(duì)比

4.3 方法對(duì)比

本文將與前人在街景評(píng)價(jià)的工作進(jìn)行對(duì)比實(shí)驗(yàn)，參與對(duì)比有方法如下。

2014年，Naik N等提出，將Geometric Texton、GIST和Color Histograms等多特征融合，最后使用SVM做分類(lèi)［5］。

2015年，Lorenzo Porzi等使用改進(jìn)的Alexnet實(shí)現(xiàn)街景圖像評(píng)分［7］。

2016年，Dubey A等使用Resnet結(jié)合Large-Margin Softmax loss實(shí)現(xiàn)街景圖像評(píng)分［8］。

表3 街景評(píng)分方法對(duì)比

如表3所示，論文提出的方法相較于前人的方法具有最好的街景評(píng)分效果。相較于效果較好Dubey A的方法，準(zhǔn)確率提升了9.7%，平均絕對(duì)誤差下降了25.8%，本文的方法具有明顯的提升。

圖5 街景評(píng)分方法效果示意圖

如圖5所示，論文的街景評(píng)分方法相對(duì)于前人的方法有著更準(zhǔn)確的評(píng)分效果，評(píng)分結(jié)果基本與標(biāo)注者一致。

5 結(jié)語(yǔ)

本文在網(wǎng)絡(luò)淺層使用Stem Block結(jié)構(gòu)，優(yōu)化了低層次特征提取效果；對(duì)于稠密層，采用雙通道denselayer結(jié)構(gòu)，相較于傳統(tǒng)的單通道結(jié)構(gòu)，雙通道的特征提取結(jié)構(gòu)具有更好的感受野［19～20］。論文還在交叉熵的基礎(chǔ)上提出了基于類(lèi)間距離度量的交叉熵?fù)p失函數(shù)，更加準(zhǔn)確地衡量街景評(píng)分與標(biāo)簽分差帶來(lái)的損失，從而使模型向更優(yōu)的方向優(yōu)化，使得平均絕對(duì)誤差、均方誤差均有下降。論文引用了課程學(xué)習(xí)的方法有效地解決了訓(xùn)練樣本標(biāo)簽不可靠帶來(lái)的模型訓(xùn)練偏離最優(yōu)化方向問(wèn)題。在模型訓(xùn)練過(guò)程中，讓模型從可靠的數(shù)據(jù)集開(kāi)始學(xué)習(xí)，再逐漸增加相對(duì)不可靠的數(shù)據(jù)集，使得模型的性能逐步提高。