本文介绍了一种利用物体检测器和高分辨率 (30cm) 卫星图像来精确预测本地贫困率的计算框架,并且使用权重计数作为特征,相对于现有的比较不可解释的基准模型,能够在乌干达的村级贫困预测中实现 0.539 的皮尔逊相关系数,这是一种可解释性和性能相结合的方法。
Feb, 2020
通过机器学习从高分辨率遥感图像中提取大规模社会经济指标,以辅助政策决策和人道主义救助,特别是在发展中国家等缺乏可靠数据的地区。
Oct, 2015
使用 Landsat 7 卫星采集的多光谱卫星图像,训练 CNN 模型可以准确地测量发展中国家地方经济生计,即使图像分辨率较低,仍能超越以往的基准结果。
Nov, 2017
通过地理空间数据和机器学习算法,提出了一种在乡村级别上生成贫困地图的通用预测方法,通过在 25 个撒哈拉以南非洲国家的验证,该方法可以提高单个国家和跨国估计的有效性,为 44 个撒哈拉以南非洲国家提供比以前更精确的贫困地图。此方法可用于缩短成本和节省时间,避免重新采集新的全国家庭调查。
Sep, 2020
为了减少使用高空间分辨率图像所带来的计算和货币成本,我们提出了一种强化学习代理,该代理自适应地选择提供给探测器的每个图像的空间分辨率,并使用双重奖励设置对代理进行训练,以选择低空间分辨率图像,以运行粗级探测器,同时选择高空间分辨率图像,则运行精细级探测器,该方法在维持与仅使用高分辨率图像的检测器相似的准确性的同时,将运行时间效率提高了 50%,只使用高分辨率图像 30%的时间
Dec, 2019
本文提出了一种名为 PatchDrop 的强化学习方法,该方法可以动态地识别何时和在哪里与配对的低分辨率图像一起使用 / 获取高分辨率数据,从而显著减少高分辨率数据的使用,并在 CIFAR10,CIFAR100,ImageNet 和 fMoW 数据集上保持类似的准确性。
Mar, 2020
研究以 2014 年至 2024 年间的遥感影像为基础的贫民窟绘图,重点关注深度学习方法,展示了越来越复杂的神经网络结构、数据预处理和模型训练技术的进步,以显著提高贫民窟识别精确度,评估了在全球不同地理环境中有效的关键方法,并提出了克服数据限制和模型解释性不足等挑战的潜在策略。
Jun, 2024
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
该研究利用卫星图像和在线群众采集与社交媒体数据,运用机器学习方法,建立了可预测多个具有地理聚集特征的人口聚居地财富平均数和标准差的模型,并在塞拉利昂和乌干达进行了验证和性能比较,揭示元数据对农村区域财富预测有更好的表现。该方法不仅能恢复本地财富的平均数和变异性,还能捕捉它们之间的正相关性,具有一定的可迁移性和可解释性。
Feb, 2023
本文通过使用十个国家的调查与卫星数据,研究城乡界限上的贫困地图建立中的不平等现象、预测误差中的系统性偏差以及公平性问题,展示了这些现象如何影响基于预测地图的政策的有效性。本文的发现强调了在使用卫星贫困地图做出现实世界政策决策之前进行仔细的误差和偏差分析的重要性。
May, 2023