基于门控注意力特征融合的贫困预测框架
计算机视觉与模式识别
2024-12-02 v1 计算机与社会
机器学习
摘要
本研究旨在解决准确估计贫困水平的显著挑战，尤其是在发展中国家，传统方法如家庭调查往往成本高昂、更新不及时且迅速过时。为此，我们提出一种新型卷积神经网络 (CNN) 架构，扩展 ResNet50 模型，引入门控注意力特征融合模块 (Gated-Attention Feature-Fusion Module, GAFM)。该架构旨在提升模型捕获和整合卫星图像中全局与局部特征的能力，从而实现更精准的贫困估计。该模型实现了 75% 的 R2 分数，在贫困绘图领域显著优于现有领先方法。这种改进归因于模型能够聚焦于并细化最相关特征，过滤不必要的数据，使其成为遥感和贫困估计的强大工具。
引用
@article{arxiv.2411.19690,
title = {Gated-Attention Feature-Fusion Based Framework for Poverty Prediction},
author = {Muhammad Umer Ramzan and Wahab Khaddim and Muhammad Ehsan Rana and Usman Ali and Manohar Ali and Fiaz ul Hassan and Fatima Mehmood},
journal= {arXiv preprint arXiv:2411.19690},
year = {2024}
}
备注
The paper has accepted for publication at 5th International Conference on Data Engineering and Communication Technology (ICDECT)