کاربرد مبدل بینایی (vision transformer) در تحلیل‌های ادراکی–رفتاری فضاهای شهری: یک مطالعه مروری

ادراک انسان از محیط ساخته‌شده نقش تعیین‌کننده‌ای در شکل‌گیری الگوهای رفتاری، میزان استفاده از فضاهای عمومی و کیفیت زندگی شهری دارد. تحلیل ادراکی و رفتاری فضاهای شهری یکی از رویکردهای کلیدی در مطالعات معاصر شهرسازی و طراحی شهری به‌شمار می‌رود، این در حالی است که در سال‌های اخیر، با گسترش داده‌های تصویری شهری و پیشرفت هوش مصنوعی، به‌ویژه در حوزه بینایی ماشین، امکان تحلیل این ابعاد پیچیده در مقیاس‌های بزرگ فراهم شده است. در این میان، مدل vision transformer (vit) یکی از این ابزارهای تحلیلی و به‌عنوان نسل جدیدی از مدل‌های بینایی ماشین، با بهره‌گیری از سازوکار توجه درون‌زا (self-attention) است که توانایی درک روابط زمینه‌ای و ساختار کلی صحنه‌های شهری را دارد. هدف این مقاله، مرور و تحلیل مطالعات پیشین پیرامون ظرفیت هوش مصنوعی در تحلیل فضای شهری و به خصوص کاربرد vision transformer در تحلیل‌های ادراکی - رفتاری فضاهای شهری است. بدین منظور، ابتدا مفاهیم نظری مرتبط با ادراک و رفتار شهری مرور شده و سپس نقش هوش مصنوعی در تحلیل داده‌های تصویری شهری بررسی می‌شود. در ادامه، ساختار کلی vision transformer و تفاوت‌های آن با مدل‌های متداولی مانند شبکه‌های عصبی کانولوشنی تبیین شده و مطالعات شاخصی که از vit در درک ادراک ایمنی، تعامل انسان - محیط و تشخیص موقعیت‌های بحرانی شهری استفاده کرده‌اند، مورد بررسی قرار گرفته است. نتایج این مرور نشان می‌دهد که vit به‌دلیل توانایی در مدل‌سازی وابستگی‌های بلندبرد و درک کلیت صحنه، ظرفیت بالایی برای تحلیل ادراکی - رفتاری فضاهای شهری دارد، هرچند چالش‌هایی مانند نیاز به داده‌های حجیم و پیچیدگی محاسباتی همچنان پابرجاست. این مقاله می‌تواند به‌عنوان مبنایی نظری برای پژوهش‌های آتی در حوزه هوش مصنوعی و مطالعات شهری مورد استفاده قرار گیرد.