Convolutional Neural Networks as Context-Scraping Tools in Architecture and Urban Planning

• Autorzy: Dzieduszyński Tomasz

Identyfikatory

DOI

10.5604/01.3001.0015.7566

Warianty tytułu

PL

Splotowe sieci neuronowe jako narzędzia służące wydobywaniu danych architektoniczno-urbanistycznych

• Języki publikacji: EN

Abstrakty

EN

"Data scraping" is a term usually used in Web browsing to refer to the automated process of data extraction from websites or interfaces designed for human use. Currently, nearly two thirds of Net traffic are generated by bots rather than humans. Similarly, Deep Convolutional Neural Networks (CNNs) can be used as artificial agents scraping cities for relevant contexts. The convolutional filters, which distinguish CNNs from the Fully-connected Neural Networks (FNNs), make them very promising candidates for feature detection in the abundant and easily accessible smart-city data consisting of GIS and BIM models, as well as satellite imagery and sensory outputs. These new, convolutional city users could roam the abstract, digitized spaces of our cities to provide insight into the architectural and urban contexts relevant to design and management processes. This article presents the results of a query of the state-of-the-art applications of Convolutional Neural Networks as architectural “city scrapers” and proposes a new, experimental framework for utilization of CNNs in context scraping in urban scale.

PL

„Data scraping” to termin używany zazwyczaj w kontekście ruchu sieciowego, oznaczający proces automatycznej ekstrakcji danych ze stron internetowych i interfejsów, zaprojektowanych do stosowania przez człowieka. Obecnie blisko dwie trzecie ruchu internetowego jest generowanych przez boty, a nie przez ludzi. Na podobnej zasadzie głębokie splotowe sieci neuronowe (CNN) mogą być stosowane jako narzędzia wyszukujące w miastach stosowne konteksty urbanistyczne. Filtry splotowe, odróżniające CNN od sieci w pełni połączonych (FNN), sprawiają, że są one obiecującymi kandydatami do wykrywania cech ukrytych w zasobnych i łatwo dostępnych danych smart city, składających się z modeli GIS i BiM oraz obrazów satelitarnych oraz innych danych sensorycznych. Filtry splotowe mogą przemierzać abstrakcyjne, cyfrowe przestrzenie naszych miast, dostarczając kontekstów przydatnych w projektowaniu oraz zarządzaniu architektoniczno-urbanistycznym. Artykuł prezentuje wyniki kwerendy źródeł dotyczących najnowszych zastosowań splotowych sieci neuronowych w wydobywaniu danych miejskich i proponuje nowe, eksperymentalne ramy dla wykorzystania CNN w ekstrakcji kontekstów urbanistycznych.

Słowa kluczowe

EN

convolutional neural network; architecture; urban planning; smart city; data scraping; CAAD

PL

sieć neuronowa splotowa; architektura; urbanistyka; miasto inteligentne; wydobywanie danych; CAAD

• Wydawca: BUILDER CORP Sp. z o.o.
• Czasopismo: Builder
• Rocznik: 2022
• Tom: R.26, nr 3
• Strony: 79--81
• Opis fizyczny: Bibliogr. 27 poz., il.

Twórcy

autor

Dzieduszyński Tomasz

• Politechnika Warszawska, Wydział Architektury

• https://orcid.org/0000-0003-2571-5128

Bibliografia

• [1] Techopedia, Technology Dictionary, Data Scraping, online, access 10.2021: https://www.techopedia.com/definition/33132/data-scraping.
• [2] Cambridge University Press & Assessment, Cambridge Advanced Learner’s Dictionary & Thesaurus, Data Scraping, online, access 10.2021: https://dictionary.cambridge.org/pl/dictionary/english/data-scraping.
• [3] Naumann H., Screen Scraper in Liu L., Ozsu M. T. Encyclopedia of Database Systems, Second Edition, Springer, 2018, 3325.
• [4] Najork M., Web Crawler Architecture in Liu L., Ozsu M. T., Encyclopedia of Database Systems, Second Edition, Springer, 2018, 4608.
• [5] Barracuda Networks Inc., Insights Into The Growing Number of Automated Attacks, Bot Attacks: Top Threats and Trends, barracuda.com, 2021, online, access 10.2021: https://assets.barracuda.com/assets/docs/dms/Bot_Attacks_report_vol1_EN.pdf.
• [6] Souza T. G., Fonseca F. D. R., Oliveira Fernandes V., Pedrassoli J., Exploratory Spatial Analysis of Housing Prices Obtained from Web Scraping Technique, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLIII-B4-2021, 135-140.
• [7] Fukushima K., Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position, Biological Cybernetics 1980, 36, 193-202.
• [8] LeCun Y., Boser B., Denker J. S., et al., Backpropagation Applied to Handwritten Zip Code Recognition, Neural Computation 1989, 1(4), 541-551.
• [9] Krizhevsky A., Sutskever I. and Hinton G. E., ImageNet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems 2012, 25(2), 84-90.
• [10] Taoufiq S., Nagy B., Benedek C., HierarchyNet: Hierarchical CNN-Based Urban Building Classification, Remote Sens, 2020, 12(22), 3794.
• [11] Pourazar H., Samadzadegan F., Javan F. D., A deep 2D/3D Feature-Level fusion for classification of UAV multispectral imagery in urban areas, Geocarto International, 2021.
• [12] Egli S., Hopke M., CNN-Based Tree Species Classification Using High Resolution RGB Image Data from Automated UAV Observations, Remote Sens, 2020, 12(23), 3892.
• [13] Khoshboresh-Masouleh M., Shah-Hosseini R., Building panoptic change segmentation with the use of uncertainty estimation in squeeze-and-attention CNN and remote sensing observations, International Journal of Remote Sensing, 2021, 42(20), 7798-7820.
• [14] Qayyum A., Malik A., Saad N. M., Mazher M., Designing deep CNN models based on sparse coding for aerial imagery: a deep-features reduction approach, European Journal of Remote Sensing, 2019, 52:1, 221-239.
• [15] Iino S., Ito R., Doi K. et al., CNN-based generation of high-accuracy urban distribution maps utilising SAR satellite imagery for short-term change monitoring, International Journal of Image and Data Fusion, 2018, 9(4), 302-318.
• [16] Pan Y., Chen X., Sun Q., Zhang X., Monitoring Asphalt Pavement Aging and Damage Conditions from Low-Altitude UAV Imagery Based on a CNN Approach, Canadian Journal of Remote Sensing, 2021, 47(3), 432-449.
• [17] Qi Y., Drolma S. C., Zhang X. et al., An investigation of the visual features of urban street vitality using a convolutional neural network, Geo-spatial Information Science, 23(4), 341 351.
• [18] Law S., Seresinhe C. I., Shen Y., Gutierrez-Roig M., Street-Frontage-Net: urban image classification using deep convolutional neural networks, International Journal of Geographical Information Science, 2020, 34(4), 681-707.
• [19] Ranjan N., Bhandari S., Zhao H. P., et al., City-Wide Traffic Congestion Prediction Based on CNN, LSTM and Transpose CNN, IEEE Access, 2020, 8, 81606-81620.
• [20] Guo J., Liu Y., Yang Q. K., Wang Y., GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model, Transportmetrica A: Transport Science, 2021, 17(2), 190 211.
• [21] Boulila W., Ghandorh H., Khan M. A. et al., A novel CNN-LSTM-based approach to predict urban expansion, Ecological Informatics, 2021, 64(101325).
• [22] Dzieduszyński, T., Machine learning and complex compositional principles in architecture: Application of convolutional neural networks for generation of context-dependent spatial compositions, International Journal of Architectural Computing, manuscript accepted for publication, 2022.
• [23] Strivastava N., Hinton G., Krizhevsky A., et al., Dropout: A simple Way to Prevent Neural Networks from Overfitting, Journal of Machine Learning Research 2014; 15, 1929-1958.
• [24] Olah C., Mordvintsev A., Schubert L., Feature Visualisation, Distill, 2017, online, access: 10.2021: https://distill.pub/2017/feature-visualization/.
• [25] Long J., Shelhamer E., Darrell T., Fully Convolutional Networks for Semantic Segmentation, IEEE CVPR, 2015, 1, 3431-3440.
• [26] Lin M., Chen Q., Yan S., Network In Network, arXiv, v3, 2014.
• [27] Kaelbling L. P., Littman M. L., Moore A. W., Reinforcement Learning: A Survey, Journal of Artificial Intelligence Research 4, 1996, 237-285.

Uwagi

Artykuł umieszczony w części "Builder Science"

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).