본문 바로가기
KERD
논문KCI 등재

어디가 더 걷기 좋다고 생각하십니까? 거리영상과 샴 네트워크 기반의 딥러닝 모델을 활용한 정성적 보행환경 평가

Where Do You Think is Better to Walk? Evaluation of the Perceived Walking Environment Using Street View Images and Deep Learning Model Based on Siamese Neural Network

김소망|강영옥|최재연
한국도시지리학회|2024.04|한국도시지리학회지 (Journal of the Korean Urban Geographical Society)|제27권 제1호|pp. 65-79|DOI http://dx.doi.org/10.21189/JKUGS.27.1.5

0

조회

0

다운로드

3

인용

0

참고문헌

키워드

딥러닝deep learning보행환경거리영상정성평가.Street view imageswalking environmentqualitative evaluation.
주제분류지리학

초록

본 연구는 거리영상과 딥러닝 기술을 활용하여 보행환경에 대한 사람들의 정성적 평가를 시각화하고 그 결과를 분석하고자 하였다. 보행의 중요성이 강조되면서 보행환경에 대한 인지 평가의 중요성도 강조되고 있다. 도시 건조환경에 대한 인식의 평가는 설문이나 인터뷰 등을 통해 일부의 사람을 대상으로 제한된 지역에 대해 수행되는 한계가있었다. 하지만 보행자의 시야에서 관찰하는 것과 유사하게 도시를 프로파일링할 수 있는 거리영상의 대두와 딥러닝기술의 발전은 광범위한 지역에 상세한 수준에서 도시 건조환경에 대한 정성적 평가를 가능하게 하고 있다. 본 연구에서는 안양시와 영등포구를 연구 대상 지역으로 거리영상을 수집하고, Global-Patch-RSS-CNN 모델을 활용하여 보행환경을 정성적으로 평가한 후, 그 결과를 시각화하여 걷기 좋다고 인식되는 지역과 나쁘다고 인식되는 지역을 분석하였다. 본 연구는 세 가지 측면에서 의의가 있다. 첫째, 보행환경에 대한 정성평가를 하고자 할 때 별도의 쌍별 비교 데이터 셋을 구축하지 않고도 연구 지역의 거리영상을 활용하여 보행환경에 대한 상세한 수준의 정성평가를 할 수 있다는 점, 둘째, 보행환경 정성평가를 위한 딥러닝 모델에 있어서도 국내 실정에 맞게 구축한 보행환경 쌍별 비교 데이터셋으로 사전 훈련된 딥러닝 모델을 활용할 수 있다는 점, 셋째, 국내 타지역에서 보행환경 정성평가를 하고자 할 때 전문가가 아니라도 쉽게 보행환경 정성평가를 수행할 수 있도록 프로세스를 체계적으로 제시한다는 점이다.

Abstract

This study aims to visualize evaluation of the perceived walking environment and analyze the results using street view images and deep learning technology. As the importance of walking is emphasized, the importance of evaluation of the perceived walking environment is also emphasized. The evaluation of people’s perceptions about the urban built environment had limitation in that it was conducted through surverys or interviews with some people in a limited area. However, the emergence of street view images that can profile cities similarly to observations from a pedestrian’s perspective and the advancement of deep learning technologies enable qualitative evaluation of urban built environment at a detailed level over a wide range of areas. In this study, street view images were collected fromAnyang-si and Yeongdeungpo-gu, and the walking environment was qualitatively evaluated using the Global-Patch- RSS-CNN model, and the results were visualized on a map to analyze areas that are perceived as good or bad for walking. This study is significant in three ways. First, when conducting a qualitative evaluation of the walking environment, it is possible to conduct a detailed level of qualitative evaluation of the walking environment by utilizing street view images of the study area without building a training data-set; second, the deep learning model for evaluation of the perceived walking environment which is pre-trained with paired comparison data-set built for domestic conditions can be utilized; third, when conducting a evaluation of perceived walking environment in other areas of Korea, it is possible to systematically present a process so that non-professionals can easily evaluate the perceived walking environment.

참고문헌 (61)

  1. 강영옥, "GeoAI 활용 분야와 연구 동향", 대한지리학회지, 58(4), pp.395~418 (2023)[DOI]
  2. 국토해양부, "보행우선구역 표준설계매뉴얼", ~ (2008)
  3. 김규리, "보행공간 요소에 대한 보행자의인지 및 보행만족도에 관한 연구", 한국도시설계학회지 도시설계, 17(3), pp.89~103 (2016)
  4. 김규식, "도시 건조 환경이 노인 통행에 미치는 영향: 수도권을 사례로", 한국도시지리학회지, 23, pp.109~124 (2020)[DOI]
  5. 김수봉, "보행자 만족도 분석을통한 가로환경 개선 계획 : 대구광역시 호림로를중심으로", 환경과학논문, 11(1), pp.205~218 (2006)
  6. 김은정, "도시환경 수준과 개인의 건강지표와의 상관성 분석 : 대구광역시를 대상으로", 한국도시지리학회지, 18(3), pp.107~120 (2015)
  7. 김지연, "거리영상 기반 보행환경의 정성적평가 예측을 위한 딥러닝 모델 개발", 대한공간정보학회지, 30(2), pp.45~56 (2022)[DOI]
  8. 박경훈, "걷기활동 증진을위한 보행환경 평가지표의 개발", 한국환경과학회지, 16(11), pp.1231~1238 (2007)
  9. 박철영, "가로환경 특성이 보행자 교통사고에 미치는 영향 분석 : 가로 세그먼트 분석단위와 공간통계모형의 적용", 한국도시설계학회지, 17(3), pp.105~121 (2016)
  10. 박소현, "도시 주거지의 물리적 보행환경요소 지표화에 관한 연구", 대한건축학회 논문집 – 계획계, 24(1), pp.161~172 (2008)
  11. 박소현, "주거지 보행환경인지가 생활권 보행만족도에 미치는 영향에 관한 연구", 대한건축학회 논문집 – 계획계, 25(8), pp.253~261 (2009)
  12. 박지영, "거리 영상과 시멘틱 세그먼테이션을 활용한 보행환경 평가 지표 개발", 한국지도학회지, 22(1), pp.53~68 (2022)[DOI]
  13. 배민경, "무단횡단 교통사고를 유발하는가로환경요인에 관한 연구", 한국지역개발학회지, 30(2), pp.177~192 (2018)
  14. 심혜민, "대구광역시 지역특화거리의 보행환경 평가", 한국도시지리학회지, 23(1), pp.29~44 (2020)[DOI]
  15. 이경환, "지역 주민의 보행 활동에 영향을미치는 근린 환경 특성에 관한 실증 분석 : 서울시 12개 행정동을 대상으로", 대한건축학회 논문집 – 계획계, 24(6), pp.293~302 (2008)
  16. 이병주, "감성데이터를 이용한 보도환경의 경관평가에 관한 연구", 대한토목학회논문집 D, 26(2D), pp.265~273 (2006)
  17. 이세영, "어린이·노인 보행자 교통안전을위한 근린환경요인", 한국도시설계학회지, 15(6), pp.4~15 (2014)
  18. 이소영, "보행친화성을 적용한 택지개발지구의 보행환경 평가 : 대구 율하2지구를 중심으로", 한국도시지리학회지, 24(1), pp.103~117 (2021)
  19. 이수기, "근린환경특성이 보행만족도에 미치는 영향 분석", 국토계획, 51(1), pp.169~187 (2016)[DOI]
  20. 이지윤, "기계학습을 이용한 보행환경 정성적 평가에 영향을 미치는 거리영상 특성분석", 11(3), pp.375~391 (2022), 한국지리학회[DOI]
  21. 행정안전부, "보행안전 및 편의증진에 관한 법률", ~ (2012)
  22. Asgarzadeh, M., "Investigating oppressiveness and spaciousness in relation to building, trees, sky and ground surface : A study in Tokyo", Landscape& Urban Planning, 131, pp.36~41 (2014)[DOI]
  23. Bartzokas-Tsiompras, A., "Is walkability equally distributed among downtowners? Evaluating the pedestrian streetscapes of eight European capitals using amicro-scale audit approach", International Journal of TransportDevelopment and Integration, 4, pp.75~92 (2020)[DOI]
  24. Bijmolt, T. H., "The effects of alternative methods of collecting similarity data for multidimensional scaling", International Journal of Research in Marketing, 12(4), pp.363~371 (1995)[DOI]
  25. Blečić, I., "Towards automatic assessment of perceived walkability", International Conference on Computational Science and Its Applications, pp.351~365 (2018)
  26. Burges, C., "August, Learning to rank using gradient descent", The 22nd international conference on Machine learning, pp.89~96 (2005)
  27. Cai, B. Y., "Treepedia 2.0:Applying deep learning for large-scale quantification of urban tree cover", 2018 IEEE International Congress on Big Data, pp.49~56 (2018)
  28. Cao, X., "The influences of the built environment and residential self-selection on pedestrian behavior: Evidence from Austin", Transportation, 33, pp.1~20 (2006)[DOI]
  29. Dubey, A., "Deep learning the city: Quantifying urban perception at a global scale", European Conference on Computer Vision, pp.196~212 (2016)
  30. Ewing, R., "Measuring the unmeasurable : Urban design qualities related to walkability", Journal ofUrbanDesign, 14, pp.65~84 (2009)[DOI]
  31. Frank, L. D., "LinkingObjectivelyMeasured Physical Activity withObjectivelyMeasured Urban Form : Findings from SMARTRAQ", American Journal of PreventiveMedicine, 28(2), pp.117~125 (2005)[DOI]
  32. Guan, W., "Urban Perception: Sensing Cities via a Deep Interactive Multi-task Learning Framework", ACM Transactions on Multimedia Computing, Communications, andApplications, 17, pp.1~20 (2021)[DOI]
  33. Gustat, J., "Crosssectional associations between the neighborhood built environment and physical activity in a rural setting : the bogalusa heart study", BMC PublicHealth, 20, pp.1426~ (2020)[DOI]
  34. Joglekar, S., "FaceLift: a transparent deep learning framework to beautify urban scenes", https:, doi.org, pp.10.1098, rsos.190987
  35. Kang, Y., "Assessment of perceived and physical walkability using street view images and deep learning technology", ISPRS International Journal of Geo-Information, 12(5), pp.186~ (2023)[DOI]
  36. Kim, S., "Meso-or micro-scale? Environmental factors influencing pedestrian satisfaction", Transportation Research Part D : Transport andEnvironment, 30, pp.10~20 (2014)[DOI]
  37. Koch, G., "Siamese neural networks for one-shot image recognition", Master, pp.2015
  38. Li, Y., "A big data evaluation of urban street walkability using deep learning and environmental sensors", Proceedings of the International Conference on Education and Research in ComputerAidedArchitecturalDesign in Europe, 2, pp.319~328 (2020)
  39. Liu, Y., "An interpretable machine learning framework for measuring urban perceptions from panoramic street view images", iScience, 26(3), pp.106132~ (2023)[DOI]
  40. Lu, Y., "The effect of streetlevel greenery on walking behavior : Evidence from Hong Kong", Social Science & Medicine, 208, pp.41~49 (2018)[DOI]
  41. Mateo-Babiano, I., "Pedestrian’s needsmatter : Examining Manila’s walking environment", Transport Policy, 45, pp.107~115 (2016)[DOI]
  42. McGinn, A. P., "Exploring associations between physical activity and perceived and objective measures of the built environment", Journal of Urban Health, 84, pp.162~184 (2007)[DOI]
  43. Min, W., "Multitask deep relative attribute learning for visual urban perception", IEEE Transactions on Image Processing, 29, pp.657~669 (2020)[DOI]
  44. Nagata, S., "Objective scoring of streetscape walkability related to leisure walking : Statistical modeling approach with semantic segmentation of Google Street View images", Health & Place, 66, pp.102428~ (2020)[DOI]
  45. Naik, N., "Streetscore — Predicting the Perceived Safety of One Million Streetscapes", 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops, pp.793~799 (2014)
  46. Nguyen, Q. C., "Using Google street view to examine associations between built environment characteristics and US health outcomes", Preventive Medicine Reports, 14, pp.100859~ (2019)[DOI]
  47. Rossetti, T., "Explaining subjective perceptions of public spaces as a function of the built environment : A massive data approach", Landscape and Urban Planning, 181, pp.169~178 (2019)[DOI]
  48. Santani, D., "Looking south : Learning urban perception in developing cities", ACM Transactions on Social Computing, 1(3), pp.1~23 (2018)[DOI]
  49. Schootman, M., "Influence of built environment on quality of life changes in African-American patients with non-metastatic breast cancer", Health & Place, 63, pp.102333~ (2020)[DOI]
  50. Stewart, N., "Absolute identification by relative judgment", Psychological Review, 112(4), pp.881~911 (2005)[DOI]
  51. Tang, Z., "A data-informed analytical approach to human-scale greenway planning : Integrating multisourced urban datawithmachine learning algorithms", Urban Forestry& UrbanGreening, 56, pp.126871~ (2020)[DOI]
  52. Wang, R., "The linkage between the perception of neighbourhood and physical activity inGuangzhou, China: using street view imagery with deep learning techniques", International Journal of Health Geographics, 18, pp.18~ (2019)[DOI]
  53. Xu, Y., "Visual Urban Perception with Deep Semantic-Aware Network", International Conference on MultiMedia Modeling, pp.28~40 (2019)
  54. Zhang, F., "Measuring human perceptions of a large-scale urban region using machine learning", Landscape and Urban Planning, 180, pp.148~160 (2018)[DOI]
  55. Zhou, H., "Social inequalities in neighborhood visual walkability : Using street view imagery and deep learning technologies to facilitate healthy city planning", Sustainable Cities and Society, 50, pp.101605~ (2019)[DOI]
  56. "걷고싶은도시만들기시민연대"[URL]
  57. "국가공간정보포털"[URL]
  58. "안양시청"[URL]
  59. "영등포구청"[URL]
  60. "질병관리청 지역사회건강조사"[URL]
  61. "Global_Patch_RSS-CNN"[URL]

관련 논문AI추천

가로 보행환경은 주변 상업용 부동산 가격에 영향을 주는가? 해석 가능한 머신러닝과 딥러닝 기법의 적용신형섭, 우아영, 전준형한국부동산분석학회 · 부동산학연구2024 · 제30권 제3호딥러닝 기반 지역 상업가로의 파사드 디자인 아이덴티티 구별 - 서울 성수동 등 상업가로 로드뷰 이미지데이터 학습모델을 기반으로 -이진국, 조하영한국공간디자인학회 · 한국공간디자인학회 논문집2023 · 제18권 제3호대구광역시 지역특화거리의 보행환경 평가김은정, 김지영, 심혜민한국도시지리학회 · 한국도시지리학회지2020 · 제23권 제1호읍소재지 중심가로의 보행환경 개선 방향 - 전라남도 4개 지방정부 읍소재지의 중심가로를 대상으로 -강인호, 박성진한국농촌건축학회 · 한국농촌건축학회논문집2021 · 제23권 제1호보행친화성을 적용한 택지개발지구의 보행환경 평가: 대구 율하2지구를 중심으로김은정, 이소영한국도시지리학회 · 한국도시지리학회지2021 · 제24권 제1호한국형 보행환경평가 모델 개발을 위한 기초 연구박경욱, 박병정, 이원태, 한상진한국교통연구원 · 교통연구2011 · 제18권 제3호

이 간행물의 다른 논문 (5건)

도시기능 유지를 위한 유효 인구 규모의 산정권규상, 서재준, 김지호pp. 1-15네트워크 중심성의 변형을 이용한 퀵커머스 소매업 입지 분석: 다중 입지 브랜드의 운송 비용을 중심으로김용기pp. 17-32도농복합시의 인구변화 특징과 유형 분류이호상, 손승호pp. 33-47주거지 분화에 기반한 서울시의 공간 불평등 실태 분석김종성, 김걸pp. 49-63서천군 장항읍의 쇠퇴와 대응방안의 모색윤현위pp. 81-101
원문 보기