❗建议在 建筑年代与风格识别 | Renhai实验室 阅读完整教程，其他渠道不会始终更新。

本项目复现了论文《Understanding architecture age and style through deep learning》的核心方法，通过深度学习技术实现对建筑年代和风格的自动识别。项目包含完整的数据处理、模型训练和结果分析流程。

• 建筑年代分类：基于街景图像识别建筑物的建造年代（9个时间段）
• 建筑风格识别：分析和分类不同的建筑风格特征
• 语义分割筛选：使用MIT ADE20K模型筛选高质量的建筑立面图像
• 空间分析：建筑年代和风格的空间分布分析和可视化

• 深度学习框架：PyTorch 2.0+
• 核心模型：DenseNet121（预训练+微调）
• 语义分割：MIT ADE20K 预训练模型
• 数据处理：GeoPandas、Pandas、PIL
• 网络爬取：Selenium、Streetview API
• 可视化：Matplotlib、TensorBoard

• 建筑足迹数据：荷兰BAG数据库
• 街景图像：Google Street View API
• 建筑风格数据：剑桥大学建筑风格数据集

以下文章详细介绍了项目的实现过程：

1. 建议先阅读论文解读：如何利用最近很火的深度学习来识别建筑年代和风格？🔗以了解论文的大致内容和技术方法
2. 所有文章均可在我的博客和微信公众号（renhai-lab）中找到，欢迎关注！
3. 收录进微信公众号专栏：【SCI 论文复现】《通过深度学习了解建筑年代和风格》

《通过深度学习了解建筑年代和风格》论文复现代码已上传到Github和Gitee，但 Gitee 仅用于同步，目前文章和仓库还在更新中，请访问对应的主页查看。

第1步： Fork 本仓库(点击下图)，然后克隆到本地或者用云端编辑器打开

第2步： 安装环境依赖

# 克隆仓库
git clone https://github.com/renhai-lab/Paper_Replication--Understanding-architecture-age-and-style-through-deep-learning.git
cd Paper_Replication--Understanding-architecture-age-and-style-through-deep-learning

# 创建虚拟环境（推荐）
conda create -n building-recognition python=3.8
conda activate building-recognition

# 安装PyTorch（根据你的CUDA版本选择）
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

# 安装其他依赖
pip install -r requirements.txt

cd 2-获取数据集/script
# 运行建筑足迹数据预处理
python 2.1-使用geopandas寻找街景点.py
# 获取街景URL
python 2.2-通过streetview获取含有url的csv文件.py

cd 3-selenium获取街景并进一步筛选街景图像/script
# 获取街景图像（需要Chrome浏览器）
python 3.1-selenium多线程获取街景.py
# 使用语义分割筛选高质量图像
python 3.2-语义分割筛选街景完整代码.py

cd 4.1-对建筑年代进行深度学习训练和预测/script
# 训练建筑年代分类模型
python train.py

使用对应的Jupyter notebook进行结果可视化和分析：

• 4.1.3-建筑年代模型评价.ipynb
• 4.1.4-制作建筑年代预测结果的空间分布图.ipynb

1. GPU推荐：建议使用GPU进行模型训练，可显著加速训练过程
2. 内存要求：语义分割和模型训练需要较大内存，建议16GB+
3. 数据下载：完整数据集较大，可以从提供的网盘链接下载
4. 断点续传：训练脚本支持断点续传功能，可从指定epoch继续训练

推荐使用 Anaconda 或 Miniconda：

# 下载并安装Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

重要：PyTorch 推荐单独安装，详见PyTorch 环境配置

# GPU版本（推荐，需要CUDA 11.8+）
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

# CPU版本（仅用于测试）
conda install pytorch torchvision torchaudio cpuonly -c pytorch

pip install -r requirements.txt

# 检查CUDA版本
nvcc --version
nvidia-smi

# 如果CUDA版本不匹配，重新安装对应版本的PyTorch
pip uninstall torch torchvision torchaudio
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 在训练脚本中调整以下参数
BATCH_SIZE = 32  # 减小批次大小
num_workers = 4  # 减少工作进程数

# 创建独立的虚拟环境
conda create -n building-recognition python=3.8
conda activate building-recognition
# 然后重新安装依赖

运行以下代码验证环境是否配置正确：

import torch
import torchvision
import geopandas
import selenium

print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"GPU数量: {torch.cuda.device_count()}")
if torch.cuda.is_available():
    print(f"GPU名称: {torch.cuda.get_device_name(0)}")

⬇️阿姆斯特丹的建筑足迹

⬇️阿姆斯特丹的道路线数据Amsterdam_road.edges ⬇️originl image和pred_color的对比

⬇️模型预测可视化结果

⬇️ 表 4 混淆矩阵（百分比）

⬇️ 图 10 CAM去识别不同年代模型的关注点

1. 左侧小图是将CAM 叠加在原始图像上。图像的红色区域主要覆盖一楼和二楼之间的窗户或门。
2. 右侧小图：根据 CAM 裁剪的图像显示了窗户的演变。早期的窗户通常框架较宽，装饰较多，而且较窄。最近的窗户样式以方形和水平形状为特点，框架更薄，装饰更少，深度更小。

⬇️ 图7 阿姆斯特丹市中心建筑年代预测结果空间分布 蓝色表示旧建筑被预测为新建筑，而粉色表示模型将新建筑预测为旧建筑。灰色表示预测正确。

⬇️图8 ：建筑年代预测结果在150米网格范围的准确度

数据源的获取会在下一篇文章《获取数据集——《通过深度学习了解建筑年代和风格》论文复现（二）》详细说明。

• BAG建筑足迹——用于获取建筑的几何数据以及建筑年代数据

• 剑桥大学建筑风格图集和相应数据

• 基于PyTorch的MIT ADE 20 K数据集语义分割

《使用深度学习识别建筑年代和风格》项目数据集，需要手动快传分享给你，可以关注公众号：【renhailab】发送【20240401】获取， 内容包含：

• 筛选后的阿姆斯特丹街景图片
• 剑桥建筑风格数据集
• 阿姆斯特丹大都市区的建筑足迹
• 5-ArcgisPro工程
• ckpt： /3-selenium获取街景并进一步筛选街景图像/ckpt/
• models： /4.1-对建筑年代进行深度学习训练和预测/models/weights_6/

• BAG建筑足迹：https://pan.baidu.com/s/1ugy2r8tvO6kbqUTxZWTsUA?pwd=216f 提取码：216f
• 剑桥大学建筑风格图集和相应数据：https://pan.baidu.com/s/1L4uBNvZvNr0oWdjpwAuwBw?pwd=c3bg 提取码：c3bg

├── 1-论文阅读和解析
│   ├── Understanding architecture age and style through deep learning.pdf
│   └── 论文双语版：通过深度学习了解建筑时代和风格 - ScienceDirect.html
├── 2-获取数据集
│   ├── notebook
│   │   ├── 2.1-BAG建筑足迹数据预处理.ipynb
│   │   ├── 2.2-osmnx获取道路数据.ipynb
│   │   └── 2.3-通过streetview获取含有谷歌街景地图的网页url.ipynb
│   └── script
│       ├── 2.1-使用geopandas寻找街景点.py
│       └── 2.2-通过streetview获取含有url的csv文件.py
├── 3-selenium获取街景并进一步筛选街景图像
│   ├── ckpt
│   │   └── ade20k-resnet50dilated-ppm_deepsup
│   ├── notebook
│   │   ├── 3.1-2-删除损坏的文件.ipynb
│   │   ├── 3.1-selenium获取街景截图.ipynb
│   │   └── 3.2-语义分割预筛选街景照片..ipynb
│   ├── script
│   │   ├── 3.1-selenium多线程获取街景.py
│   │   └── 3.2-语义分割筛选街景完整代码.py
├── 4.1-对建筑年代进行深度学习训练和预测
│   ├── notebook
│   │   ├── 4.1.1-建筑年代的模型选择和训练.ipynb
│   │   ├── 4.1.2-对训练集进行预测并保存结果.ipynb
│   │   ├── 4.1.3-建筑年代模型评价.ipynb
│   │   ├── 4.1.4-制作建筑年代预测结果的空间分布图.ipynb
│   │   ├── 4.1.5-使用ArcGIS-Pro和Arcy制作建筑年代预测结果在150米精度范围的准确度.ipynb
│   │   ├── 4.1.6-计算空间自相关(莫兰指数).ipynb
│   │   ├── 4.1.7-探讨建筑年龄和建筑风格的关系.ipynb
│   ├── script
│   │   ├── TS.py
│   │   ├── engine.py
│   │   └── train.py
├── 4.2-对建筑风格进行深度学习训练和预测
│   ├── notebook
│   │   ├── 4.2.2-建筑风格模型评价.ipynb
├── 5-ArcgisPro工程
│   ├── 1.使用ArcPy简化和拆分建筑.py
│   ├── 2.使用ArcPy寻找街景点.py
│   └──  通过深度学习了解建筑风格和年代.ppkx
├── README.md
├── my_tools
│   ├── engine.py
│   ├── helper_functions.py
│   ├── validate_image.py
│   ├── 合并多个csv文件.py
│   └── 缩小街景图像.ipynb
└── requirements.txt

Maoran Sun, Fan Zhang, Fabio Duarte, Carlo Ratti, Understanding architecture age and style through deep learning, Cities, Volume 128, 2022, 103787, ISSN 0264-2751, https://doi.org/10.1016/j.cities.2022.103787. (https://www.sciencedirect.com/science/article/pii/S0264275122002268) Abstract: Architectural styles and their evolution are central to architecture history. However, traditional approaches to understand styles and their evolution require domain expertise, fieldwork and extensive manual processes. Recent research in deep learning and computer vision has highlighted the great potential in analyzing urban environments from images. In this paper, we propose a deep learning-based framework for understanding architectural styles and age epochs by deciphering building façades based on street-level imagery. The framework is composed of two stages: Deep ‘Learning’ the architecture and Deep ‘Interpreting’ the architecture age epochs and styles. In Deep ‘Learning’, a deep convolutional neural network (DCNN) model is designed to automatically learn about the age characteristics of building façades from street view images. In Deep ‘Interpreting’ stage, three components are proposed to understand the different perspectives regarding building ages and styles. In the experiment, a building age epoch dataset is compiled for the city of Amsterdam and Stockholm to understand the evolution of architectural element styles and the relationship between building ages and styles spatially and temporally. This research illustrates how publicly available data and deep learning could be used to trace the evolution of architectural styles in the spatial-temporal domain. Keywords: Building age; Architectural style; Street view imagery; Built environment; Deep learning

因为其他平台不能同步修改，论文解读文章将最先在我的博客发布，你可以点击阅读原文查看本专题的所有文章。

如果你觉得本系列文章有用，欢迎关注博客，点赞👍和收藏，也欢迎在评论区讨论，有任何问题都可以私信我：

• 我的博客
• 我的GITHUB
• 我的GITEE
• 我的知乎
• 微信公众号：