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

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

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

利用基于深度学习的计算机视觉方法，该研究使用 2008 年至 2021 年间的 1500 万街道图像来测量伦敦的变化，成功地识别了住房供应的变化，为城市规划和政策决策提供及时信息，以建设更宜居、公平和可持续发展的城市。

Sep, 2023

通过强化学习的方法，结合高分辨率遥感图像和云计算技术，可以在保持精度的情况下降低获取成本，提高贫困预测任务的性能，为可持续发展的多个领域提供实用的应用。

Jun, 2020

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

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

通过结合编码 - 解码架构和卫星图像的形态学运算，我们开发了一个系统的道路提取框架，为跨学科研究人员提供了一种集成的工作流。在贫困地区的实际数据上进行的道路网络提取的大量实验证明，相比于基准方法，F1 得分提高了 42.7％，重建了大约 80％的实际道路。我们还提出了一个全面的道路网络数据集，涵盖了中国 382 个贫困县约 794,178 平方公里的面积和 17.048 万人口，利用这个生成的数据集进行了贫困县的社会经济分析，结果显示道路网络建设对地区经济发展有积极影响。

Jun, 2024