ИИ теперь может обнаруживать и наносить на карту неформальные поселения в мире

• Новая модель, основанная на глубоком обучении, может автоматически обнаруживать и наносить на карту неформальные поселения с помощью спутниковых снимков с низким разрешением.
• Он может классифицировать спектр неформальных поселений экономичным способом.

Почти четверть городского населения мира проживает в неформальных поселениях - местах, отрезанных от городской инфраструктуры и основных услуг. Большинство домов в этих районах не соответствуют строительным нормам и расположены в экологически и географически опасных регионах.

Картирование этих регионов может помочь НПО лучше обслуживать нуждающихся. Это позволит местным жителям значительно развиваться и улучшить качество жизни. Однако нанесение на карту таких территорий - сложная задача, требующая много выделенных человеческих и финансовых ресурсов.

Для решения таких проблем международная группа исследователей создала систему на основе глубокого обучения, которая может автоматически обнаруживать и наносить на карту неформальные поселения с помощью спутниковых и аэрофотоснимков, которые доступны бесплатно. Он принимает спутниковые изображения в качестве входных данных (в формате raw-user) и предоставляет обученный классификатор, который генерирует двоичные карты с указанием территорий неформальных поселений.

Экономичные подходы, основанные на машинном обучении

Исследователи разработали и всесторонне проверили два метода на основе машинного обучения для выявления и картирования информационных поселений. Один является рентабельным, а другой - дорогостоящим, но необходим для обработки контекстной информации. Вместе эти методы позволяют классифицировать спектр неформальных поселений.

Первый метод использует эффективные с точки зрения вычислений канонические корреляционные леса (метод ансамбля дерева решений для классификации и регрессии) для изучения спектрального сигнала неформальных поселений по спутниковым снимкам с низким разрешением.

Второй метод использует сверточную нейронную сеть со спутниковыми изображениями очень высокого разрешения для извлечения детализированных объектов искателя. Команда продемонстрировала обобщение предложенных методов выявления неформальных поселений не только в локальных регионах, но и в глобальном масштабе.

Ссылка:arXiv:1901.00861

Сверточные нейронные сети обучаются на спутниковых снимках с низким, высоким и очень высоким разрешением с использованием 8 графических процессоров NVIDIA Tesla V100 с 16 ГБ памяти каждый. Поскольку достижение очень высокого разрешения обходится довольно дорого, исследователи разработали экономичный подход, в котором используются спутниковые снимки с низким разрешением.

Официальные и неформальные поселения в Кибере, Найроби | Предоставлено исследователями

Команда выпустила два неофициальных эталона поселения для спутниковых снимков с низким и очень высоким разрешением с соответствующими наземными данными. Они также предоставили весь исходный код и модели на GitHub.

Из-за различий в неформальных поселениях по всему миру и неопределенностей на местах, эта система может быть чрезвычайно полезной для тестирования методов трансферного обучения и метаобучения. Исследователи планируют применить байесовские методы для описания неопределенностей с помощью вероятностных моделей.

Более того, на квадратном километре неформальных поселений может разместиться более 129 тысяч человек. Таким образом, каждый пиксель мог представлять 13 человек. Такие расчеты действительно могут помочь правительствам и НПО понять, какой объем помощи необходимо предоставить и сколько требуется инфраструктуры.

Прочтите:AI может точно отобразить каждое здание в Соединенных Штатах

В настоящее время исследователи работают с ЮНИСЕФ над сбором дополнительных достоверных данных и аннотаций для неформальных поселений.