城市规划中建筑退线违规的深度学习检测：孟加拉国案例研究

🎓 专业 IRMaD 结构解读

I. Introduction（引言）

达卡人口超过两千两百万，建成环境扩张快于规划系统的追踪能力，建筑退线违规成为最可见的违规类型之一。退线是建筑与地块边界或相邻道路之间的法定最小间距，由《达卡大都会建筑建设规则（2008）》与《孟加拉国国家建筑规范（2020）》按道路宽度、用地性质与建筑高度确定。RAJUK 目前主要依靠人工现场巡查执法，速度慢、成本高，且检查员之间标准不一致。既有违规检测文献多依赖卫星或航空影像与变化检测，无法捕捉地面层的立面与道路贴近关系，而退线违规恰恰由这一关系定义。作者据此指出双重缺口：尚无研究在南亚监管框架下用街景图像检测退线违规，也无人把原始像素、冻结嵌入与端到端微调三种表征策略放在同一监管分类任务上比较。本文贡献有四：构建覆盖十六个街区、三百七十二张标注图并附实测退线距离的数据集；在同一无泄漏协议下比较四种模型；量化表征策略对性能的贡献；给出可嵌入 RAJUK 巡查流程的筛查路径。

I. Theoretical Framework & Hypotheses（理论框架与假设）

文章的理论落点有两层。第一层是规制执行中的筛查逻辑：执法资源有限时，监管机构通常先用低成本手段把对象分为高风险与低风险，再决定现场检查顺序；自动筛查不改变处罚权的归属，只改变检查资源的配置效率，因此其评价标准应是排序质量与漏检代价，而非替代人工裁决。第二层是表征学习：同一张图片可以被表示为原始像素、冻结的预训练嵌入或端到端微调的特征，三者对应递增的空间归纳偏置与域适应能力。作者据此给出可检验的预期：若性能主要由空间结构决定，则卷积表征应显著优于像素表征；若分类器选择更重要，则冻结嵌入上的不同集成方法应出现明显分化。同时，三类标签在构造上并不对称：合规与违规由可见的退线空间界定，中间类则被定义为“人亦无法确信”的残余集合，其贝叶斯误差天然更高。这一设定意味着宏平均指标会比总体准确率更敏感，也解释了作者为何同时报告总体准确率与宏 F1，并把中间类单列讨论。

M. Materials & Methods（材料与方法）

研究设计为在同一标注数据集上比较四种表征策略，评价协议以主体级划分避免数据泄漏。数据来自作者在 RAJUK 管辖范围内十六个街区的徒步调查：共拍摄三百七十三张照片，其中三百五十六栋建筑可匹配唯一主体编号；分辨率不低于一千九百二十乘一千零八十，白天三百五十三张、夜间十九张，实测退线距离介于零到十二英尺。标注为图像级三分类：违规六十一张、合规二百二十九张、中间八十二张，评审分歧或视觉证据不足者一律归入中间类。增强后生成五千九百六十八张副本，与原始图合计六千三百四十张训练可用图像。划分先按主体分层抽样成七成、两成、一成，再把增强副本整组归入其母体所在分区，得到训练四千四百二十张、验证六百四十六张、测试一千二百七十五张，测试集三类样本量分别为七百八十二、二百八十九、二百零四。各类损失权重按训练频率的归一化倒数计算，分别约为负类零点一三三、中间类零点三七三、正类零点四九四。

验证策略两处值得注意。像素 MLP 只在二百六十张真实训练图上做五折交叉验证，每折二百零八张训练、五十二张验证，各折准确率为零点六一五四、零点五五七七、零点五一九二、零点六一五四、零点六一五四，均值零点五八四六，标准差零点零三九六。微调 CNN 采用按主体分组的三折交叉验证，各折准确率零点六五三、零点六三二、零点六五一，均值零点六四五，标准差零点零一零；随后又执行困难样本挖掘：上一轮验证集中被错分的 198 行（真实图 12 张、增强图 186 张）中，真实副本无条件移入训练，约半数误分增强副本一并移入，共移动一百零七张，最终训练四千五百二十七张、验证五百三十九张、测试一千二百七十五张保持不变。

R. Results（结果）

四种模型在共享测试集上呈现清晰的表征梯度：像素基线五成，冻结嵌入上的两个集成落在五成八到六成，端到端微调达到六成五。表 1 汇总总体指标，表 2 给出分类别明细。像素 MLP 的评估集仅五十六张真实图，其五成准确率应视为相对强度的指示，而非可与其余三者逐图比较的数值；它的训练准确率八十九点三还是在最后一轮带增强的在线测量下取得，属记忆程度的上界。

分类别结果高度一致：合规类召回率从像素 MLP 的零点五四升到 CNN 的零点八八；违规类最不稳定，随机森林仅零点二零召回，平衡 SVM 为零点三二，CNN 为零点四零；中间类对所有模型都最难，F1 仅在零点二四至零点三九之间。两个冻结嵌入集成的总体表现非常接近，测试准确率相差一点七个百分点，宏 F1 分别为零点四四与零点四五，但误差结构不同：平衡 SVM 的偏差与方差剖面更平稳，随机森林在少数类上的偏差与方差都更高。CNN 的留出误差轨迹最能说明问题：训练误差零点零零、验证误差百分之十点零二、测试误差百分之三十四点五九，学习曲线显示增加训练量时验证与测试误差并不向训练误差收敛，作者据此判断当前规模下误差主要由方差而非模型容量不足主导。

a / D. Discussion & Conclusion（讨论与结论）

结果支持“表征比分类器更重要”的判断，但层次需要说清：从像素到卷积特征带来的跃升最大，说明空间归纳偏置是这类任务的门槛；从冻结嵌入到端到端微调只再提升约五个百分点，说明域适应仍有价值但边际递减；而在冻结嵌入之上换随机森林或线性 SVM，差别微乎其微，说明一旦表示固定，分类器的选择是次要的。中间类的系统性失败并非调参可解：该类在构造上就是人工也无法确信的残余集合，仅占标注总量的百分之二十二（八十二比三百七十二），且视觉线索本身被遮挡、角度与光照削弱。作者据此提出两条改进路径：扩大中间类真实标注；或用实测退线距离构造连续合规分数，替代硬三分类，使输出更贴近执法的裁量连续谱。

对监管执法而言，六成五的准确率不足以支持自动处罚，但足以支持分流筛查。作者设想把模型封装为移动或网页工具，由巡查人员先拍照上传，系统给出高风险清单，人力再赴现场核验；由于采集只需普通手机、无需专业设备，这一流程可嵌入 RAJUK 现有巡查制度，降低单位检查成本并减少检查员之间的标准漂移。局限主要有三：其一，测试集一千二百七十五张中有一千零七十一张为增强副本，同一建筑的不同副本在视觉上比独立真实照片更相似，真实场景准确率可能低于报告值；其二，像素 MLP 的测试集仅五十六张，五成这一数字的抽样噪声较大，不应逐点解读；其三，论文未报告标注者间信度系数，仅以“分歧归入中间类”的规则处理一致性。未来工作包括更深的骨干网络、利用达卡大量未标注街景的半监督学习，以及把分类目标改为距离回归。就公共管理研究而言，本文的价值在于把“算法能否替代街头执法判断”这一规范争论，转化为可测量的筛查性能问题。