您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
深度学习工具识别非正规住区，更好地帮助援助组织
2019年01月18日 由 浅浅 发表
531715
0
世界上大约25％的城市人口居住在非正规住区，这些地区与基本服务和城市基础设施相隔绝。绘制出这些位置可以极大地帮助援助组织和非政府组织，以便更好地为有需要的人提供服务。来自牛津大学，DFKI，伦敦国王学院等几所大学的研究人员开发了一种基于深度学习的工具，可以利用免费的卫星和航空图像自动对非正规住区进行分类。
研究人员在论文中表示，“非正规住区是社会和经济上最脆弱的家园。为了提供有效的经济和社会援助，非政府组织，如联合国儿童基金会需要有关非正规住区地点的详细地图。我们编写了一系列带注释的地面实况数据集，并首次提供了检测非正规住区的基准。我们还提供了一份全面的清单，列出了非正式住区的制图所面临的挑战以及非政府组织面临的一些制约因素。”
该团队使用8个NVIDIA Tesla V100 GPU，用非常高的分辨率（VHR），高分辨率（HR）和低分辨率（LR）的卫星图像训练卷积神经网络。由于获得（VHR）卫星图像的成本很高，该团队还开发了一种使用低分辨率卫星图像的低成本方法。
这项工作的主要贡献是公开发布了基于双深度学习的系统及其相应的源代码和模型。这些数据集包括哥伦比亚、印度、肯尼亚、尼日利亚、南非和苏丹等重点地区。
对内罗毕基贝拉非正规住区（白色像素）的预测。左：低分辨率Sentinel-2光谱图像对基贝拉非正规住区的CCF预测。中：基于深度学习的基贝拉非正式聚落预测，基于VHR图像训练。右：基贝拉的地面实况掩码。
“作为这项工作的一部分，我们将几个数据集融合在一起，以生成可供社区用于开发新机器学习模型的可用数据集，”研究人员说。
经过训练，模型可以对非正规住区的范围进行分类。利用免费提供的低分辨率卫星图像，该团队对系统进行了训练，以检测所有非正式解决方案。第二种方法使用语义分割来分析非常高的分辨率的卫星图像，这有助于在低分辨率系统中定位不包含唯一光谱数据的住区。
研究人员表示，“我们对所提出的方法进行了广泛的评估，并展示了其泛化能力，不仅在当地区域，而且在全球范围内检测非正规住区，由于地面实况注释中的不确定性以及世界各地非正规住区的差异，我们认为这个问题对于测试转移学习和元学习方法非常实用。”
NVIDIA为这个项目捐赠了计算资源。源代码和模型可在GitHub上获得：
github.com/FrontierDevelopmentLab/informal-settlements
论文：
arxiv.org/pdf/1901.00861.pdf
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消