卫星图像人口估计的深度学习方法
使用多种卫星图像输入的两个卷积神经网络结构有效地结合了来自印度乡村地区的卫星图像和 2011 年人口普查的人口标签，以准确预测一区域的人口密度，性能优于以往研究以及全球人口分布的标准 LandScan。
May, 2019
本文提出一种基于聚合学习范式的方法，对人口普查进行高分辨率的细粒度分析，以此来评估人口数量的动态变化以及气候、自然灾害、基础设施投资、发展政策等对人口数量的影响。我们的简单可解释模型在某些指标上已超越最先进技术，证明该方法的有效性。
Jun, 2019
通过高分辨率航拍图像，利用监督卷积神经网络和基于视觉词袋的半监督聚类方法，从公开可获取的城市图像准确估计美国各地区的人口密度、家庭收入中位数和教育水平，并开拓用于地理概括和无需标记数据的细粒度信息估计的新的半监督方法。
Sep, 2023
利用机器学习的计算机视觉方法可从卫星图像中创建全球范围内的人口地图，该方法精度高，适用于全球部署，能够检测城市化地区，有助于基础设施规划、疫苗接种计划、灾难响应和高精度洪水风险分析等。
Dec, 2017
本论文提出了一种通用框架，利用高分辨率卫星图像对低收入城区中密集型非正式定居点 —— 所谓的 “贫民窟”—— 的人口进行估算，并借助本地社区的合作来获得公正的基础数据，以让机器学习应用更加包容、公平和具有问责性。
Sep, 2020
本文提出了一种基于神经网络的区域聚合层，可使用粗粒度的密度聚合来训练像素级密度估计器，从而反映图像区域中对象的数量，使该方法不需要针对密度函数的领域特定假设。我们在几个合成数据集上评估了我们的方法。此外，我们使用该方法从卫星图像中学习估计高分辨率人口和住房密度，并且在所有情况下，我们发现与常用基线相比，我们的方法都能得到更好的密度估计值。我们还展示了如何使用我们的住房密度估计器将建筑分类为住宅或非住宅。
Oct, 2018
本研究提出了一种使用深度学习的多头卷积神经网络模型，通过远程感知的卫星图像和普查数据标签，估计了日本作为全球老龄化最为严重国家之一的细粒度网格人口组成，并实现了在非普查年份 2022 对人口组成的估计和可视化。
Aug, 2023
使用免费且全球可用的 Sentinel-1 和 Sentinel-2 卫星图像以及少量粗糙人口普查区域的集总人口计数进行校准，我们开发了一种名为 POPCORN 的人口映射方法，其数据需求最小，却超越了现有方案的映射准确性，能够生成最新和高分辨率的人口地图，以民主化地为需要更新的地区提供资源。
Nov, 2023
提出了一种基于网络科学和表示学习的方法，利用高分辨率夜间卫星图像创建动态网络来量化经济指标和可视化各个地区的增长，预测大区域的空间经济支出，捕捉城市增长和人民生活水平变化的趋势，更好地帮助决策者理解增长。
Dec, 2018