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

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

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

该研究提出了基于格子密度的聚类技术和规则归纳机器学习算法，应用于卫星图像的目标识别和分类，经过多个合成和基准数据集验证。

Mar, 2022

利用遥感技术和深度卷积神经网络，分析大规模卫星图像数据中的城市土地利用模式，并提供数据集以供遥感应用的机器学习研究人员使用。

Apr, 2017

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

本篇论文介绍了一种利用卫星图像进行贫民窟地图绘制和监测的方法，通过区域卷积神经网络进行实例分割，并引入一种检测贫民窟变化的方法。我们的方法显示出有效地学习贫民窟形状和外观的能力，并获得了 AP 80.0 的强大定量结果。

Nov, 2018

我们的研究在阿姆斯特丹市通过对地面和空中影像的数据和模型进行测试，以识别住房质量。结果显示，相较于仅使用空中影像，Google StreetView（GSV）能够预测出最准确的建筑质量分数，提高了约 30%。然而，通过仔细筛选和使用正确的预训练模型，将 Flickr 图像特征与空中图像特征相结合，能将性能差距从 30% 降低至 15%。这表明在可居住性因素预测方面，存在可行的替代方法，这是令人鼓舞的，因为 GSV 图像难以获取并且并非总是可用。

Mar, 2024

通过结合家庭人口统计和生活水平调查问题以及从卫星图像中提取的特征，预测一个地区的贫困率。我们的方法利用 10 米每像素的 Sentinel-2 地表反射卫星图像，并使用单步特征化方法获得视觉特征。这些视觉特征与十个调查问题结合在一起，通过代理手段测试（PMT）来估计一个家庭是否处于贫困线以下。我们证明了加入视觉特征可以将贫困率估计的均方误差从 4.09% 降低到 3.88%。除了将卫星图像特征包含在代理手段测试中，我们还提出了一种选择与从卫星图像中提取的视觉特征互补的一小部分调查问题的方法。具体来说，我们设计了一种由整个调查和图像特征引导的调查变量选择方法，并使用该方法确定一小组最相关的调查问题，以纳入代理手段测试中。我们验证了这些小调查问题的选择，在使用这小组问题预测贫困率的下游任务中表现最佳，贫困率的误差从 4.09% 降低到 3.71%。我们还证明了提取的视觉特征编码了地理和城市化之间的差异。

Jul, 2023