利用深度学习为发展中国家生成街道地址
研究了如何使用自然语言处理和 RoBERTa 模型来理解发展中国家（例如印度）中电商客户的运输地址，该方法结合了诸如编辑距离和语音算法之类的预处理步骤，并最终使用 RoBERTa 模型进行分类。
Jul, 2020
本文提出了一种基于深度学习的层次化信息利用方法，可以更好地解决不规则地址匹配的问题并更加关注地址中的特殊部分，实验结果表明，该方法可以将现有方法的准确率提高 3.2%。
May, 2023
本文提出了一种基于深度强化学习的方法，以自动布置贫民窟的道路，在不同国家的真实城市中进行了广泛的实验，表明该方法可以显著提高可达性 14.3％，具有应用在真实的贫民窟升级中的潜力。
May, 2023
通过结合编码 - 解码架构和卫星图像的形态学运算，我们开发了一个系统的道路提取框架，为跨学科研究人员提供了一种集成的工作流。在贫困地区的实际数据上进行的道路网络提取的大量实验证明，相比于基准方法，F1 得分提高了 42.7％，重建了大约 80％的实际道路。我们还提出了一个全面的道路网络数据集，涵盖了中国 382 个贫困县约 794,178 平方公里的面积和 17.048 万人口，利用这个生成的数据集进行了贫困县的社会经济分析，结果显示道路网络建设对地区经济发展有积极影响。
Jun, 2024
利用基于深度学习的计算机视觉方法，该研究使用 2008 年至 2021 年间的 1500 万街道图像来测量伦敦的变化，成功地识别了住房供应的变化，为城市规划和政策决策提供及时信息，以建设更宜居、公平和可持续发展的城市。
Sep, 2023
使用地球观测和深度学习方法，该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割，以实现相对较高的像素度量分数，进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果，并以黎巴嫩为案例，成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。
Apr, 2024