KDDJun, 2019

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

PDF
TL;DR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。
population dynamicsclimate shocksmachine learningcensus datahigh-resolution mappings
发现论文，激发创造
  • 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

  • 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

  • 基于神经解聚的城市时空数据综合

    通过将粗糙、低分辨率地理单元的聚合城市数据细分，我们尝试合成细粒度、高分辨率的城市数据，并提出了三种改进方法以提高细分结果。

    Jun, 2023

  • 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

  • 从高分辨率卫星图像估计空间密度函数的弱监督方法

    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

  • 基于注意力正则化的半监督粗分辨率数据分类

    本文提出了利用多视角框架的分类算法，以帮助训练对于精细分辨率下的数据有效的模型，应用于通过卫星观测进行城市区域绘图和文本数据的情感分类等实际应用中具有很好的效果。

    Jan, 2020

  • 逐幢建筑绘制全球人口地图

    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

  • 马达加斯加可持续的人口普查独立估算

    本研究通过使用遥感技术和微调查数据，估算莫桑比克两个示范区内的人口数量，并评估使用公共数据集进行人口估算的可行性。同时，使用现有的建筑足迹数据集进行转移学习，并结合额外的 “点” 标注来提升人口估算精度，结果显示使用该方法计算的建筑足迹面积可以显著提升人口预测精度。

    Apr, 2021

  • 基于 Sentinel-1 和 Sentinel-2 的高分辨率人口地图

    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

  • 基于用户层级聚合的词汇为基础的人口预测的显著性益处

    该论文介绍了一个利用 Twitter 用户聚合的方法来构建社区级别模型，可以有效的准确预测人口相关，包括人口统计、健康和心理预测等四个不同领域的结果（例如，可以将用于预测收入中位数的皮尔逊相关系数从 0.73 提升到 0.82）。

    Aug, 2018