基于 Wasserstein 生成对抗网络（GAN）利用多光谱卫星图像进行贫困预测的半监督多任务学习
计算机视觉与模式识别
2019-04-29 v2 机器学习
摘要
获取描述地方贫困指标且对政策制定者具有信息粒度的可靠数据，需要昂贵且后勤困难的调查，在发展中国家尤其如此。不足为奇，贫困地区的战争概率高、基础设施差，且有时政府不配合国际资助的发展努力。我们在非洲大陆来自 Landsat 7 的免费公开昼间卫星图像上训练 CNN，以构建预测地方经济生计的模型。仅 5% 的卫星图像可关联标签（来自 DHS 调查），因此采用半监督方法，使用 GAN（类似于 Salimans 等人（2016）的方法），但采用一种更易于训练稳定的 GAN 变体，即带梯度惩罚的 Wasserstein GAN（Gulrajani 等人（2017））。我们采用多任务学习方法以正则化网络，并创建用于预测多个贫困指标的端到端模型。
引用
@article{arxiv.1902.11110,
title = {Semi-Supervised Multitask Learning on Multispectral Satellite Images Using Wasserstein Generative Adversarial Networks (GANs) for Predicting Poverty},
author = {Anthony Perez and Swetava Ganguli and Stefano Ermon and George Azzari and Marshall Burke and David Lobell},
journal= {arXiv preprint arXiv:1902.11110},
year = {2019}
}
备注
This project was recognized as the best two-person project during the Spring 2017 offering of CS 231N Convolutional Neural Networks for Visual Recognition. Second revised version corrects typographical errors and adds a few additional references