Oct, 2018

从高分辨率卫星图像估计空间密度函数的弱监督方法

PDF
TL;DR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。
neural networkdensity estimatorregional aggregation layerpopulation densitysatellite imagery
发现论文，激发创造
  • 尺度下的细粒度估计近邻社区福祉：基于高分辨率正射影像和混合学习

    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

  • 近距离和远程感知的统一模型

    本文提出了一种新型卷积神经网络架构，用于估计地理空间函数，并使用各种标签创建了一个大型数据集进行评估。

    Aug, 2017

  • 卫星图像人口估计的深度学习方法

    利用深度学习模型对美国每个 0.01 平方度单元格的高分辨率人口估计进行了研究，并比较了直接调查和解聚群体技术的优劣。

    Aug, 2017

  • 卫星图像轻量级和稳健的经济尺度表征

    提出一种名为 READ 的新方法，利用深度神经网络从高分辨率卫星图像中获取任何给定区域的基本空间表示，结合转移学习和嵌入式统计学习显著提取尺寸任意的地区的重要空间特征，在小标签集的情况下，可区分城乡地区的微小差异，预测经济规模且表现最优，为开发中国家提供了潜在利用价值。

    Dec, 2019

  • DenserNet: 使用多尺度特征聚合的弱监督视觉定位

    本文介绍了一种 Denser Feature Network 用于视觉定位，提出了一种新型的卷积神经网络，采用更密集的特征图来提高图像检索准确性和关键点特征的重复性，仅需要正负 GPS 标记图像对来训练模型。实验表明，该方法在四个具有挑战性的大规模定位基准测试和三个图像检索基准测试上都取得了优秀的表现。

    Dec, 2020

  • 一种用于量化卫星图像中经济增长的动态网络和表示学习方法

    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

  • 利用辅助数据的集成学习方法进行可解释的半监督人口预测与细分

    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

  • 遥感图像中密集物体计数

    本文提出了一种基于遥感图像的密集目标计数数据集，包含建筑物、港口拥挤船只、停车场中的大型和小型车辆。我们设计了一种新的神经网络，它能够生成输入图像的密度图，该网络由卷积块注意力模块 (CBAM)、尺度金字塔模块 (SPM) 和可变形卷积模块 (DCM) 三部分构成。实验表明，所提出的数据集的挑战性，以及我们的方法的优越性和有效性。

    Feb, 2020

  • 利用卫星图像进行的深度学习方法：印度农村缺失人口测绘

    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

  • 全球卫星图像建筑物检测

    利用遥感技术的建筑物检测创建人口密度地图，包括数据采集、半监督方法等解决策略。

    Jul, 2017