AI 现在可以检测和绘制世界上的非正式聚居地
- 一种新的基于深度学习的模型可以使用低分辨率卫星图像自动检测和绘制非正式定居点。
- 它可以以经济高效的方式对非正式住区的范围进行分类。
世界上近四分之一的城市人口生活在非正规住区——与城市基础设施和基本服务隔绝的地方。这些地区的大多数房屋不符合建筑法规，而且它们位于环境和地理危险区域。
绘制这些地区的地图可以帮助非政府组织更好地为有需要的人服务。这将使当地人能够以重要的方式发展并获得更好的生活质量。然而，绘制这些区域的地图是一项具有挑战性的任务，需要投入大量的人力和财力。
为了应对这些挑战，一个国际研究团队构建了一个基于深度学习的系统，该系统可以使用免费的卫星和航空图像自动检测和绘制非正式住区的地图。它将卫星图像作为输入（以原始用户格式），并提供一个训练有素的分类器，该分类器生成以非正式定居点区域为特征的二进制地图。
具有成本效益的基于机器学习的方法
研究人员开发并广泛验证了两种基于机器学习的方法来识别和映射信息聚落。一种具有成本效益，另一种成本高昂，但对于处理上下文信息至关重要。总之，这些方法可以对非正式住区的范围进行分类。
第一种方法使用计算效率高的典型相关森林（一种用于分类和回归的决策树集成方法）从低分辨率卫星图像中学习非正式住区的光谱信号。
第二种方法使用具有非常高分辨率卫星图像的卷积神经网络来提取查找器粒度特征。该团队展示了所提议方法的推广，不仅可以在局部地区，而且可以在全球范围内识别非正式住区。
参考：arXiv:1901.00861
卷积神经网络在低分辨率、高分辨率和超高分辨率卫星图像上进行训练，使用 8 个 NVIDIA Tesla V100 GPU，每个 GPU 具有 16GB 内存。由于实现非常高分辨率的成本有点高，因此研究人员想出了一种使用低分辨率卫星图像的经济高效的方法。
内罗毕基贝拉的正式和非正式定居点 |研究人员提供
该团队发布了两个用于低分辨率和超高分辨率卫星图像的非正式定居点基准，并附有地面实况。他们还在 GitHub 上提供了所有源代码和模型。
由于世界各地非正式住区的差异和地下的不确定性，该系统对于测试迁移学习和元学习技术非常有用。研究人员计划应用贝叶斯技术通过概率模型来表征不确定性。
此外，一平方公里的非正规住区可容纳超过 129,000 人。因此，每个像素可以代表 13 个人。这些类型的计算可以真正帮助政府和非政府组织了解需要提供多少援助以及需要多少基础设施。
阅读：人工智能可以精确地绘制美国每栋建筑的地图
研究人员目前正在与联合国儿童基金会合作，为非正式住区收集更多的真实数据和注释。
工业技术