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

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

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

该文介绍了一种用于从粗数据生成精细人口分布的深度学习方法，该方法使用超分辨率卷积神经网络将粗数据直接映射到高分辨率数据，并使用嵌入时间信息的长短时记忆模型有效捕捉周期性变化以实现动态预测。文中对上海市的真实移动数据集进行了广泛的实验验证，并表明该方法优于现有方法和常用数据挖掘方法。

Oct, 2018

本文提出了一种新型卷积神经网络架构，用于估计地理空间函数，并使用各种标签创建了一个大型数据集进行评估。

Aug, 2017

本文提出了一种基于注意力网络和残差卷积网络集成的深度学习框架，可以高精度地预测面部图像的性别和年龄组，并通过可视化模型的注意图证明其能够敏锐地监测到面部适当部位，同时，在多任务学习方面得到了不错的成果。

Oct, 2020

本文介绍了一种多标签人脸表观年龄估计的深度学习方法，通过组合多个卷积神经网络模型来降低估计误差。

Jun, 2016

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。

Jun, 2019

年龄估计技术是人脸识别的一部分，通过对游戏中的用户进行身份验证，实现了青少年防沉迷系统的开发和应用。本文提出了一种新的建模思想，使用图卷积网络（GCN）从非规则人脸图像中有效地提取特征，并添加了多头注意力机制以避免冗余特征并捕获图像中的关键区域信息，从而显著提高了年龄估计的准确性并降低了 MAE 误差值，进而提高了人脸识别和身份验证的准确性。

Oct, 2023

该论文通过细致分析深度卷积神经网络（CNNs）对卫星图像进行预测贫困和发展指标的详细反应，并解释了其预测基础。该 CNN 模型能够在比较低分辨率的白天和夜间卫星图像上优于人类主观观察高分辨率图像进行财富指数分类。多种可解释性实验表明对象大小、像素颜色以及不同结构在输入图像中的重要性，并提供了最大化网络财富指数预测的类型图像的可视化，这为 CNN 预测的依据提供了线索。

Dec, 2023