محمد حسین امین ابراهیم آبادی

خوانایی میزان شناختن فضا است. ارزیابی خوانایی به ویژه در فضاهای داخلی مطلوب است ، زیرا تأثیر زیادی در رفتار انسان و کارآیی استفاده از فضا دارد. با این حال ، خوانایی فضای داخلی فقط از طریق پیمایش و شبیه سازیهای بی اهمیت مورد مطالعه قرار گرفته و فاقد اندازه گیری کمی مقیاس پذیر است. ما از یک شبکه عصبی عمیق Convolutional (DCNN) ، که از لحاظ ساختاری شبیه به یک سیستم ادراک انسانی است ، استفاده کردیم تا به خوانایی در فضاهای داخلی بپردازیم. برای اجرای مدل سازی خوانایی برای هر فضای داخلی ، ما یک خط لوله پردازش پایان به انتها از بازیابی اطلاعات داخل ساختمان گرفته تا آموزش مدل به تجزیه و تحلیل خوانایی مکانی را طراحی کردیم. اگرچه مدل به طور کلی بسیار خوب (دقت ۹۸٪) عمل کرده است ، اما هنوز هم اختلاف در تشخیص اعتماد به نفس مدل در فضاهای مختلف وجود دارد ، که نشان دهنده تفاوت های خوانایی است. برای اثبات اعتبار خط لوله ، ما یک نظرسنجی را در آمازون مکانیک ترک مستقر کردیم و ۴۰۱۵ نمونه را جمع آوری کردیم. در همین حال ، ما همچنین یک نظرسنجی مشابه ، با جمع آوری ۵۷۰ نمونه ، روی سرنشینان این ایستگاه انجام دادیم. نمونه های انسانی الگوی و مکانیسم رفتاری مشابه مدلهای DCNN را نشان داد. علاوه بر این ، ما از نتایج مدل برای توضیح بصری تفاوتهای خوانایی ناشی از برنامه معماری ، سن ساختمان ، سبک ساختمان و همچنین شناسایی خوشه بندی های بصری فضاها استفاده کردیم.