基于深度特征迁移学习的遥感与贫困映射
计算机视觉与模式识别
2016-03-01 v2 计算机与社会
摘要
发展中国家缺乏可靠数据是可持续发展、粮食安全与灾害救援的主要障碍。例如，贫困数据通常稀缺、覆盖稀疏且获取劳动密集。另一方面，诸如高分辨率卫星影像等遥感数据正变得日益可用且廉价。遗憾的是，此类数据高度非结构化，目前尚无技术能自动提取有用洞见以辅助政策决策并指导人道主义行动。我们提出一种新颖的机器学习方法，从高分辨率卫星影像中提取大尺度社会经济指标。主要挑战在于训练数据极其稀缺，难以应用诸如卷积神经网络（CNN）的现代技术。因此我们提出一种迁移学习方法，以夜间灯光强度作为数据丰富的代理。我们训练一个全卷积 CNN 模型从白天影像预测夜间灯光，同时学习与贫困预测有用的特征。该模型学习识别不同地形与人造结构（包括道路、建筑物和农田）的滤波器，除夜间灯光外无任何监督。我们证明这些学习到的特征对贫困映射极具信息量，甚至接近实地收集调查数据的预测性能。
引用
@article{arxiv.1510.00098,
title = {Transfer Learning from Deep Features for Remote Sensing and Poverty Mapping},
author = {Michael Xie and Neal Jean and Marshall Burke and David Lobell and Stefano Ermon},
journal= {arXiv preprint arXiv:1510.00098},
year = {2016}
}
备注
In Proc. 30th AAAI Conference on Artificial Intelligence