Sep, 2023

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

PDF
TL;DR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。
data collection methodsoverhead imagesmachine learningpopulation densityhigh-resolution imagery
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

  • 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

  • 近距离和远程感知的统一模型

    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

  • 利用社区生成的街景图像预测生计指标

    使用公共街道图像进行街区中薄弱群体的生计指标预测，方法分为图像分群和基于图像关系的两种方法，测试结果表明此方法对于贫困、人口和公共卫生等指标的预测精度高

    Jun, 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

  • 卫星图像轻量级和稳健的经济尺度表征

    提出一种名为 READ 的新方法，利用深度神经网络从高分辨率卫星图像中获取任何给定区域的基本空间表示，结合转移学习和嵌入式统计学习显著提取尺寸任意的地区的重要空间特征，在小标签集的情况下，可区分城乡地区的微小差异，预测经济规模且表现最优，为开发中国家提供了潜在利用价值。

    Dec, 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

  • 利用卷积网络和卫星图像在大范围内识别城市环境模式

    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

  • 基于深度特征的遥感与贫困测绘迁移学习

    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

  • 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

    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