في عالمنا اليوم، يعد الفهم الدقيق للمشاهد الحضرية (Urban Streetscapes) أمراً ضرورياً لاتخاذ قرارات مستندة إلى الأدلة في مجالات تخطيط المناظر الطبيعية (Landscape Planning) والصحة العامة (Public Health) وتطوير الأماكن (Place-Making). إلا أن النماذج الحالية، التي تعتمد على بيانات من مدن مشهورة، غالبًا ما تفشل في تمثيل المناطق الممثلة بشكل ناقص، مما يؤدي إلى استمرار التحيز الجغرافي (Geographic Bias) في السياسات المستقبلية.

تقدم التقنية الجديدة HVSP-LL (Hierarchical Visual-Semantic Pivoting with Lifelong Learning) حلاً مبتكرًا لتجاوز هذه المشكلات. إذ تعتمد هذه التقنية على جمع بين وحدة تحويل بصرية-ذهنية (Visual-Semantic Pivoting) وآلية إعادة ممارسة تفكر في العدالة (Equity-Aware Rehearsal Mechanism). يتم تنظيم مفاهيم المشهد الحضري ضمن ثلاث مستويات: الهيكل الكلي (Macro Structure)، التركيب الوسيط (Meso Composition)، والعناصر الدقيقة (Micro Element). هذا التنظيم يمكّن من تعلم تمثيلات يمكن نقلها بسهولة بين المناطق، مما يقلل الفجوات في التصور بين المدن.

تعتمد HVSP-LL على تكيف مدى الحياة لتدريب النماذج على استيعاب مناطق حضرية جديدة في كل مرة، مع التركيز على تقليل الفجوة في التصور بين المناطق المختلفة من خلال إعادة وزن عينة أسوأ المناطق (Worst-Region Sample-Weighting Objective) واستخدام مخزن أمثلة واعٍ هيكليًا (Structurally-aware Exemplar Buffer).

تم تقييم HVSP-LL على مجموعة بيانات بانورامية تضم مشاهد من اثني عشر مدينة عبر أربع قارات وسبعة أبعاد إدراكية، حيث حققت تقنية HVSP-LL معامل ارتباط (Spearman Correlation) قدره 0.834 بالنسبة لتتابع المدن المحجوزة، وهو تحسن واضح قدره 6.1 نقطة مقارنة بأقوى المعايير الحالية. كما استطاعت تقليص الفجوة في الإدراك بين المدن إلى 0.094، مما يمثل تقليصًا نسبته 38% مقارنة بأقوى المعايير المستمرة.

إنَّ النتائج التي حصل عليها هذا الإطار توضح أن التثبيت الهيكلي هو طريقة عملية لتحقيق عدالة جغرافية واضحة في فهم مشهد المدينة على نطاق واسع، مما يمهد الطريق لمستقبل أفضل في تخطيط المدن وممارسات السياسة العامة.