access-classifier:课程项目的预处理和建模脚本。 目的是开发一种CNN分类器，以预测图像是“可访问的”还是“不可...

访问分类器 卡尔顿大学DATA 500课程项目的预处理和建模脚本。 项目目标是开发一种CNN分类器，以预测图像是“可访问的”还是“不可访问的”。 在2019年，联邦政府启动了加拿大无障碍获取标准，以优先考虑到2040年实现无障碍加拿大，然而，基础设施存在数据缺口[1]，使得9.6％的人口（15岁以上）无法访问建筑环境）在加拿大有行动不便的人[2]。 因此，该项目利用开源众包的街道图像和卷积神经网络（CNN）来测试用于分类建筑物入口是否可访问的混合方法。 由于确定阻碍那些面临多种出行限制的人的各种障碍非常复杂，因此本研究旨在支持这一难题的一小部分，将“可到达的”建筑物入口定义为连接到可到达的外部通道的建筑物门[3]。 。 因此，我们寻求回答：来自加拿大安大略省渥太华的接受了开源图像培训的CNN在将建筑物入口的可访问性进行广泛分类时能否产生准确的结果？ 基于本地知识和OpenStreetM