街景关系图谱：智能解读城市街道结构变化

街景关系图谱：智能解读城市街道结构变化 | MDPI ISPRS IJGI

论文标题：SSPRCD: Scene Graph-Based Street-Scene Spatial Positional Relation Change Detection with Graph Differencing and Structural Quantification

论文链接： https://doi.org/10.3390/ijgi15040161

期刊名： ISPRS Inter national Journal of Geo-Information

期刊主页： https://www.mdpi.com/journal/ijgi

随着城市街景数据的快速积累和智慧城市建设的推进，街景变化理解成为城市管理与规划的新需求。如何精确理解街道中物体和设施的变化，是城市管理、合规检查和灾后评估的重要问题。然而，传统街景变化检测方法大多依赖像素差异或单体物体变化，无法直接回答“变化后实体之间的空间关系如何变化”， 难以捕捉街景中实体之间的空间关系演变，限制了智慧城市管理和低空监测的应用潜力。近日，北京建筑大学蒋捷教授团队在 ISPRS Inter national Journal of Geo-Information 发表了题为 “SSPRCD: Scene Graph-Based Street-Scene Spatial Positional Relation Change Detection with Graph Differencing and Structural Quantification”（《SSPRCD：街景场景图驱动的空间关系变化检测与结构量化》）的文章，通过关系图谱和结构量化分析，实现对街景变化的深度理解（图1），为城市街道管理提供可操作的空间信息与决策依据。

图1. SSPRCD研究框架概览

研究过程与发现

本研究提出的 SSPRCD 框架核心在于：将街景图像转化为空间知识图谱，并基于图谱进行跨时相对齐与结构变化分析。首先，从街景图像中提取实体及其空间关系三元组，并标注像素级位置信息，构建完整的空间知识图谱。随后，通过节点去重和跨时相匹配，建立两个时刻图谱的稳定对应关系，实现实体关系的一致性对齐。对齐完成后，执行图谱差分以识别新增、消失和不变的实体及关系，并通过归一化图编辑距离（nGED）和图嵌入相似度（graph2vec）对街景结构差异进行量化分析。该方法创新性地将街景变化从像素或目标检测上升到关系结构和拓扑分析层面，实现了结构化、可解释的街景变化检测。

在 TSUNAMI 数据集 上的实验结果表明，SSPRCD 在物体级和关系级变化检测任务中均表现优异，其中物体级变化检测 Macro-F1 达到 0.65，二值变化检测 F1 值为 0.72，关系级变化检测 F1 值达到 0.89，相较于传统方法有显著提升。通过图谱差分分析，研究团队能够清晰识别街道设施的新增与删除，并追踪关键空间关系的变化模式。进一步分析显示，街道结构重组的规律性和区域性特征清晰可见，输出结果为城市管理、街道维护、低空监控及灾后重建提供了决策参考（图2）。

主题：空间知识图谱