利用机器学习与低分辨率多光谱数据绘制发展中国家非正式定居点地图
计算机与社会
2019-05-31 v3 计算机视觉与模式识别
机器学习
机器学习
摘要
非正式定居点是地球上社会与经济最脆弱人群的居所。为提供有效的经济与社会援助，非政府组织（NGO）（如联合国儿童基金会（UNICEF））需要非正式定居点位置的详细地图。然而，关于非正式与正式定居点的数据基本不可得，即便可得也常不完整。这部分归因于大规模收集数据的成本与复杂性。为应对这些挑战，我们在本工作中提供三点贡献。1）一个全新机器学习数据集，专为非正式定居点检测而开发。2）我们表明，使用免费可得的低分辨率（LR）数据检测非正式定居点是可行的，这与以往使用甚高分辨率（VHR）卫星与航空影像的研究相反，后者对 NGO 而言成本高昂。3）我们在所整理的数据集上展示了两种有效分类方案，一种对 NGO 而言具成本效益，另一种对 NGO 而言成本高昂但具额外效用。我们将这些方案集成到一个半自动流水线中，可将 LR 或 VHR 卫星图像转换为编码非正式定居点位置的二值地图。
引用
@article{arxiv.1901.00861,
title = {Mapping Informal Settlements in Developing Countries using Machine Learning and Low Resolution Multi-spectral Data},
author = {Bradley Gram-Hansen and Patrick Helber and Indhu Varatharajan and Faiza Azam and Alejandro Coca-Castro and Veronika Kopackova and Piotr Bilinski},
journal= {arXiv preprint arXiv:1901.00861},
year = {2019}
}
备注
Published at the AAAI/ACM Conference on AI, ethics and society. Extended results from our previous workshop: arXiv:1812.00812