UrbanVLP：城市指标预测的多粒度视觉语言预训练基础模型

我们在本文中提出了一种新颖的视觉 - 语言预训练模型（UrbanVLP），该模型能够无缝地整合来自宏观（卫星）和微观（街景）层面的多粒度信息，克服了先前预训练模型的局限性，提高了城市规划中的可解释性。我们的 UrbanVLP 模型还引入了自动生成文字描述和校准，通过生成高质量的城市图像描述，提升了在下游应用中的可解释性。大量的实验验证了 UrbanVLP 在六个社会经济任务上的卓越性能，我们还部署了一个网络平台验证其实用性。