来源：MIT
【新智元导读】
一个社区，一个城市的未来会发展成什么样？计算机视觉可以告诉我们答案。MIT 媒体实验室的研究员分析了
160万组拍摄于不同年份的照片。使用比较的结果，研究者测试了几个社会科学中关于城市复兴的几个流行的假设。他们发现，受过高等教育的居民的数量、离城市商业中心的接近性、与其他有吸引力的社区的距离以及系统分配的初始完好评分与社区未来的实体条件的改善有着强烈的正相关。
下一个大城市的兴起，受过高等教育的人才是关键因素。在中国，如果寻找下一个北上广，这是一个启示。
逃离北上广在中国是一个广泛被提及的话题，涉及到北京、上海和广州，也许还要加上深圳等大型城市中面临的生活问题：比如污染、交通堵塞和生活压力。
近年来关于逃离北上广的讨论，也延展到了“逃回北上广”，因为这些逃离的人们在新环境中不适应，又逐渐迁回。
在逃离与逃回中 ，还有一个中间地带：有一群人，他们不是逃回原籍，而是逃到距离一线城市最近的二线城市或者卫星城。
那么，城市的变迁，社区的变化可以预测吗？一个社区，一个城市的未来会发展成什么样？计算机视觉可以告诉我们答案。
四年前，MIT 媒体实验室的研究员开发了一个计算机视觉系统，能够分析城市中居民上传的街景照片，以确认社区的完好程度。
现在，为了证实哪些因素会影响城市的变迁，该团队联合哈佛大学的研究者，使用相同的系统对美国5所大城市的街区的改进和衰落情况进行了量化。
该研究于7月初发表在美国国家科学院院刊上，研究者所使用的系统比较了160万组拍摄于不同年份的照片。使用比较的结果，研究者测试了几个社会科学中关于城市复兴的几个流行的假设。他们发现，受过高等教育的居民的数量、离城市商业中心的接近性、与其他有吸引力的社区的距离以及系统分配的初始完好评分与社区未来的实体条件的改善有着强烈的正相关。
该研究的另外一些发现也许更有意义：最开始的收入水平，以及房价其实并不能预测出未来社区的改善程度。
“所以，这并不是一个关于收入的故事，不是说有很多富人都住在某个小区，而他们碰巧是接受过高等教育的”，研究的主要作者César Hidalgo说，“这显然是一个强调专业技能的故事”。
“这是我们的研究证明的第一个理论”，论文的第一作者Nikhil Naik说，“第二个理论是临界点理论，也就是已经很好的社区会越来越好，而那些做得不够好的社区，则不会得到多大的改善。
同时，研究者也发现，平均水平上，原始评分越高，在后期越能有效地转化为更高的得分，二者的关系是线性的：一个拥有两倍初始分数的社区将获得大约两倍的改善。这与一些理论家的预测相矛盾，他们认为经过一些“临界点”，社区质量的改善应该开始加速。
研究人员还测试了这样一个假设，即当他们的建筑物衰减到需要更换或更新时，社区往往会被振兴。但是，他们发现一个社区的建筑物的平均年龄与其实体的改善程度之间几乎没有相关性。
决定最初社区完好评级的系统是一个机器学习系统，它已经对成千上万个例子进行了训练，其中人类志愿者评估了成对的图像中描绘的街景的相对完好性。在新研究中，系统比较了谷歌街景视图可视化工具中与相同地理坐标相关联的图像，但这些图片间隔了七年。
然而，这些图像必须进行预处理，以确保系统推断的感知完好性的变化是可靠的。例如，以前Hidalgo集团的工作表明，绿色空间的普及是人类志愿者评估社区完好性的标准之一。但是，如果早期捕捉的图像是在夏天，而后来图像在冬天被捕获，机器学习系统可能会被愚弄，认为邻里已经失去了绿色空间。
同样，街道窗户建筑的流行也似乎增加了社区的完好分数。但是，如果在图像前景的面板卡车掩盖了其后面的建筑物中的三层楼的窗户，系统可能会将图像降为低分。
因此，研究人员使用称为语义分割的计算机视觉技术，根据构成图像的对象，对其数据集中的160万张图像中的每一个像素进行分类。如果像卡车或者行人构成太多的图像，系统会拒绝处理图像，而是将其与不同坐标相关联的图像进行比较。同样，在评估街景感知的完好性时，系统忽视了那些对季节变化太敏感的图像部分，如树木和天空。
为了验证系统的分析，研究人员还从他们的数据集中提供了15,000个随机选择的图像，通过亚马逊的Mechanical Turk众包平台招聘审稿人，他们被要求评估所描绘的社区的相对完好性。评审人员的评估与计算机系统的一致性达到72％。但大多数的分歧集中在完好分数几乎没有变化的图像对上。在这些边界的情况下，任何两个人也可能都达成一致。
