KDDJun, 2020

机器学习地图维护特古西加尔巴潜在非正规定居点进行地面勘测的案例研究

PDF
TL;DR该研究展示了 Dymaxion Labs 和 Techo NGO 之间的合作，利用机器学习技术通过高分辨率卫星图像创建洪都拉斯特古西格尔巴的首个非正式住区普查。
latin americadata collectioninformal settlementsmachine learningcensus
发现论文，激发创造
  • 利用机器学习和低分辨率多光谱数据绘制发展中国家的非正式定居点图

    该研究提出了一种新的机器学习数据集，可以用于检测非正式聚居地，同时表明使用免费的低分辨率卫星图像进行非正式聚居地侦测是可行的，并演示了两种有效的分类方案，可将这些方案集成到半自动化流水线中。

    Jan, 2019

  • 利用高分辨率卫星图像和公平的现实数据对非正规定居点进行人口地图绘制

    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

  • 遥感图像中贫民窟映射的深度学习：元分析与综述

    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

  • 利用神经网络对卫星图像进行分类，映射非法垃圾倾倒场地

    采用机器学习模型，分析卫星影像，利用地理空间开放数据、高分辨率卫星影像和开源工具，通过对布宜诺斯艾利斯地区已知的垃圾倾倒场地进行训练，快速低成本地预测其他区域可能存在的非法垃圾倾倒场地的位置。这种技术能够帮助更好地解决全球南方城市都面临的严重问题，并有望成为一项全地图表非法垃圾倾倒场地的工具。

    Oct, 2021

  • 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

  • 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

  • 自动化国家城市地图提取

    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

  • 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

  • 利用中分辨率卫星图像绘制贫民窟地图：多光谱数据和灰度共生矩阵技术的比较分析

    使用最新的机器学习技术和公开卫星图像，本研究证明了基于灰度共生矩阵特征提取技术来检测贫民窟的有效性和高精度性。

    Jun, 2021