格式化景观：用于卫星影像中人口变化空间条件GAN
计算机视觉与模式识别
2021-01-14 v1 机器学习
图像与视频处理
摘要
气候变化预计将重塑聚落景观：迫使受影响地区的人口迁移、改变其生活方式，并持续影响全球人口结构变化。人口地理分布的改变将对土地利用与土地覆盖产生剧烈影响，从而构成气候变化情景规划的主要挑战之一。本文探索一种生成模型框架，用于生成以网格化人口分布为条件的卫星影像。我们对现有ALAE架构进行扩展，创建其空间条件版本：SCALAE。该方法使我们能从模型潜空间中显式解耦人口因素，从而将自定义人口预测输入所生成影像。我们假定此类影像随后可直接用于基于现有框架的土地利用与土地覆盖变化估算，以及预期局部变化的可视化呈现。我们通过比较像素与语义重建来评估模型，并计算标准FID指标。结果表明该模型准确捕捉人口分布，并提供了一种可控的真实卫星影像生成方法。
引用
@article{arxiv.2101.05069,
title = {Formatting the Landscape: Spatial conditional GAN for varying population in satellite imagery},
author = {Tomas Langer and Natalia Fedorova and Ron Hagensieker},
journal= {arXiv preprint arXiv:2101.05069},
year = {2021}
}
备注
Presented as a poster at Tackling Climate Change with Machine Learning workshop at NeurIPS 2020. Code: https://github.com/LendelTheGreat/SCALAE/