利用高分辨率卫星影像与公平地面真值对非正规住区进行人口制图

我们提出了一种可泛化的框架，利用高分辨率卫星影像对低收入城市地区密集的非正规住区——即所谓“贫民窟”——进行人口估算。精确的人口估计是政府和非政府组织开展高效资源分配（例如医疗紧急情况中）的关键因素。我们利用与当地社区合作收集的公平地面真值数据：通过培训和社区制图，当地居民贡献其独特的领域知识，同时保持对其数据的自主权。这一做法使我们能够避免将潜在偏差带入建模流程，这些偏差可能源于不够严谨的地面真值获取方法。我们将我们的方法置于机器学习界正在进行的讨论中，旨在使现实世界的机器学习应用更具包容性、公平性和问责性。由于地面真值生成过程资源密集，我们的训练数据有限。我们提出了一种网格化人口估算模型，支持灵活和可定制的空间分辨率。我们在尼日利亚的三个实验站点测试了我们的流程，利用预训练和微调的视觉网络来克服数据稀疏性。我们的发现凸显了将常见基准模型迁移到现实世界任务中的困难。我们对此进行了讨论并提出了后续步骤。