基于弱监督深度学习的大规模学校映射：面向普惠学校互联互通
计算机视觉与模式识别
2024-12-20 v1
摘要
改善全球学校互联互通至关重要，以确保包容性和平等的优质教育。为可靠估计连接学校的成本，政府和互联互通提供商需要完整准确的学校位置数据——这一资源在许多中低收入国家可能稀缺。为此，我们提出一种成本有效、可扩展的方法，使用弱监督深度学习技术在高分辨率卫星图像中定位学校。我们的最佳模型组合使用视觉转换器和卷积神经网络，实现 10 个非洲试点国家的 AUPRC 值超过 0.96。利用可解释 AI 技术，我们的方法仅通过低成本的分类级注释即可近似估算学校位置的精确地理坐标。为展示方法的可扩展性，我们在非洲国家生成全国范围的学校位置预测地图，并对结果进行详细分析，塞内加尔作为案例研究。最后，我们通过引入交互式 Web 地图工具，简化政府合作伙伴进行人类在环模型验证的工作。本工作成功展示了深度学习和卫星图像在区域基础设施规划和加速普惠学校互联互通中的实际价值。
引用
@article{arxiv.2412.14870,
title = {Large-scale School Mapping using Weakly Supervised Deep Learning for Universal School Connectivity},
author = {Isabelle Tingzon and Utku Can Ozturk and Ivan Dotu},
journal= {arXiv preprint arXiv:2412.14870},
year = {2024}
}
备注
Accepted at AAAI-25 Special Track on AI for Social Impact (AISI)