Dissertação

{pt_PT=City-SAFE: Estimating Urban Safety Perception} {} EVALUATED

{pt=O estudo da perceção urbana de segurança tem sido um tema de foco importante por parte de cientistas sociais, procurando extrair conclusões que melhorem a vida das pessoas. Nós abordamos esta questão na zona de Lisboa através de um inquérito, comparando imagens de ruas duas a duas - a base de dados City-SAFE. Nós analisámos os nossos dados através de segmentação semântica, que mostram a existência de uma concordância coletiva na perceção de seguran¸ca e permitem descrever este perfil semântico. Seguidamente, atribuímos pontuações a cada local, que representam uma ordem percetual baseada nas comparações recolhidas. Para tal usamos otimização convexa e regularização com grafos nas proximidades espaciais e temporais. Para avaliar o desempenho do método proposto, realizamos uma simulação com dados sintéticos e comparamos a nossa solução com o estado da arte. A nossa abordagem mostra melhor desempenho sob comparações mais ruidosas e em menor número. Então, aplicámos o nosso método à base de dados City-SAFE, gerando pontuações para Lisboa, Amadora e Cascais. Por fim, construímos um estimador usando as pontuações obtidas como observações diretas da nossa base de dados. Usamos regressão de vetores de suporte, onde características de imagem e características construídas a partir de uma plataforma de reportagem para cidadãos são combinadas através de aprendizagem automática de vários núcleos., en=The study of urban safety perception has been an important subject of focus by social scientists, seeking to draw conclusions that lead to the improvement of people’s lives. We tackle this issue in the Lisbon area by conducting a survey on street imagery using pairwise comparisons | the City-SAFE dataset. We analyze our dataset using semantic segmentation, finding evidence for the existence of a collective agreement on safety perception and providing its semantic profile. We then assign scores to locations, which represent a perceptual ordering based on the collected comparisons. This is performed through convex optimization with graph regularization on spatial and temporal similarities. To assess the performance of the proposed method, we conduct a simulation using synthetic data and compare it with the state-of-the-art. Our approach shows better performance both on noisier and fewer comparisons. We then apply our method to the City-SAFE dataset, generating scores for Lisbon, Amadora and Cascais. Finally, we build an estimator using the obtained scores as a constructed ground truth for our dataset. We use a support vector regression where image features and features constructed from a citizen reporting platform are combined via multiple kernel learning.}
{pt=Comparações dois a dois, otimização convexa, perceção de segurança, processamento de imagem, en=Pairwise comparison, convex optimization, perceived safety, image processing}

Junho 24, 2019, 11:0

Orientação

ORIENTADOR

Cláudia Alexandra Magalhães Soares

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar Convidado

ORIENTADOR

Manuel Ricardo De Almeida Rodrigues Marques

Polo IST-ISR (CC. 1601)