基于深度学习从卫星影像感知人口分布：模型选择、邻域效应与系统性偏差
计算机视觉与模式识别
2021-03-04 v1 机器学习
图像与视频处理
摘要
遥感技术的快速发展提供了丰富、大覆盖、高时间分辨率的地面信息，这些信息可与新兴的深度学习方法相结合，从而提取潜在特征与隐藏的地理模式。本研究首次尝试交叉比较多种流行的先进深度学习模型在从遥感影像估算人口分布上的性能，考察邻域效应的贡献，并探索潜在的系统性人口估算偏差。我们通过建立 Sentinel-2 影像块与 LandScan 人口栅格中对应人口计数之间的映射，对四种流行的深度学习架构（即 VGG、ResNet、Xception 和 DenseNet）进行端到端训练。结果表明，DenseNet 优于其他三种模型，而 VGG 在所有选定邻域场景下的所有评估指标中表现最差。关于邻域效应，与现有研究相反，我们的结果表明邻域尺寸增大会导致人口估算性能下降，这一结论对全部四种选定模型在所有评估指标中均成立。此外，存在一种显著的、普遍的偏差：无论邻域尺寸如何，所有选定的深度学习模型均倾向于高估人口稀疏的影像块并低估人口密集的影像块。本研究提供的方法论、实验与背景知识有望惠及未来大量基于遥感影像估算人口分布的研究。
引用
@article{arxiv.2103.02155,
title = {Sensing population distribution from satellite imagery via deep learning: model selection, neighboring effect, and systematic biases},
author = {Xiao Huang and Di Zhu and Fan Zhang and Tao Liu and Xiao Li and Lei Zou},
journal= {arXiv preprint arXiv:2103.02155},
year = {2021}
}
备注
15 pages. 10 figures, 3 tables