利用遥感技术的建筑物检测创建人口密度地图，包括数据采集、半监督方法等解决策略。
Jul, 2017
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
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
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
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
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
研究人口分布，提供包括数字高程模型、本地气候区域、土地利用比例、夜间灯光和Sentinel-2的多光谱图像以及Open Street Map计划的数据，为人口估计的研究提供了一个全面的数据集。
Apr, 2022
通过使用低成本VGI数据，提出了一种基于MapillarySVI和OSM数据的半监督学习方法，可以自动估计建筑物的高度，以生成开放和低成本的3D城市模型。
Jul, 2023
通过使用深度分割网络和卫星图像，利用准确的建筑定居面具，我们以30米乘30米的分辨率准确估计人口数量，并利用兴趣点（POI）数据排除非居民区。
使用免费且全球可用的Sentinel-1和Sentinel-2卫星图像以及少量粗糙人口普查区域的集总人口计数进行校准，我们开发了一种名为POPCORN的人口映射方法，其数据需求最小，却超越了现有方案的映射准确性，能够生成最新和高分辨率的人口地图，以民主化地为需要更新的地区提供资源。
Nov, 2023