AI从低分辨率卫星影像自动识别全球非正规居住区
深度学习低成本绘制贫民窟分布,助力NGO精准救援
全球近四分之一城市人口居住于非正规居住区(贫民窟),缺乏基础设施、处环境危险区。手工测绘耗时耗力。国际团队开发深度学习系统,利用免费低分辨率卫星影像自动检测绘制此类区域,输出二值地图。
双模型互补:低分辨率高效+高分辨率精细
- 方法一:Canonical Correlation Forests(典型相关森林)从低分辨率影像学习贫民窟光谱信号,计算高效。
- 方法二:卷积神经网络(CNN)用极高分辨率影像提取精细特征,虽成本高但提供上下文信息。
两模型结合可全球泛化识别。团队在8块NVIDIA Tesla V100 GPU上训练,发布低/极高分辨率基准数据集及代码至GitHub。像素级统计显示1平方公里贫民窟可居住12.9万人,每像素约13人,助政府/NGO评估援助需求。现与UNICEF合作收集更多实况标注。
参考文献:arXiv:1901.00861
工业技术