Vehicle detection from GSV imagery: Predicting travel behaviour for cycling and motorcycling using Computer Vision
Created by
Haebom
저자
Kyriaki (Kelly), Kokka, Rahul Goel, Ali Abbas, Kerry A. Nice, Luca Martial, SM Labib, Rihuan Ke, Carola Bibiane Schonlieb, James Woodcock
개요
본 논문은 전 세계 185개 도시를 대상으로 구글 스트리트 뷰(GSV) 이미지와 딥러닝(YOLOv4 모델)을 활용하여 자전거 및 오토바이 이용률을 추정하는 새로운 방법을 제시합니다. 6개 도시의 이미지로 미세 조정된 YOLOv4 모델은 자전거와 오토바이를 89%의 평균 정밀도로 탐지했습니다. 도시별 자전거 및 오토바이 이용률을 종속변수로, GSV 이미지에서 탐지된 자전거 및 오토바이 개수(로그 변환)를 설명변수로 하는 베타 회귀 모델을 개발하여, 자전거 이용률과 오토바이 이용률을 각각 R² 0.614, 0.612로 예측했습니다. 예측 정확도는 전반적으로 높았으나, 몇몇 도시(예: 유트레히트, 칼리)는 예외였습니다. 이 모델을 이용하여 최신 이용률 데이터가 없는 60개 도시에 대한 추정치를 제공했습니다. 본 연구는 기존 데이터 소스와 함께 컴퓨터 비전을 활용하여 교통 수단 및 활동에 대한 통찰력을 제공합니다.
시사점, 한계점
•
시사점:
◦
구글 스트리트 뷰와 딥러닝 기술을 활용하여 전 세계 도시의 자전거 및 오토바이 이용률을 효율적으로 추정할 수 있는 새로운 방법 제시.
◦
기존 교통 조사 데이터의 부족을 보완하고, 특히 데이터 확보가 어려운 지역에 대한 정보 제공 가능.
◦
도시 계획 및 교통 정책 수립에 필요한 데이터를 제공.
•
한계점:
◦
일부 도시(예: 유트레히트, 칼리)에 대한 예측 정확도가 낮음.
◦
GSV 이미지의 품질, 촬영 시점, 계절 등의 요인이 결과에 영향을 미칠 수 있음.
◦
모델의 일반화 가능성에 대한 추가 연구 필요.
◦
이미지 데이터의 편향성(예: 특정 지역, 시간대의 과대 표현)이 결과에 영향을 미칠 가능성.
