利用深度学习与谷歌街景估算美国人口构成
计算机视觉与模式识别
2022-06-08 v2
摘要
美国每年在诸如美国社区调查（ACS）等项目上投入超过10亿美元，这是一项劳动密集型的入户研究，用于衡量与种族、性别、教育、职业、失业及其他人口统计因素相关的数据。尽管ACS是一个全面的数据来源，但人口变化与其在ACS中体现之间的滞后可能超过五年。随着数字影像的普及和机器视觉技术的进步，自动化数据分析可能提供一种更廉价、更快速的替代方案。在此，我们提出一种方法，从谷歌街景车在美国200个城市收集的5000万张街景图像中确定社会经济趋势。利用基于深度学习的计算机视觉技术，我们确定了特定街区中遇到的所有机动车的品牌、型号和年份。这项机动车普查数据共统计了2200万辆汽车（占美国汽车总量的8%），被用于以单个选区（美国平均选区约含1000人）的分辨率精确估算收入、种族、教育和投票模式。由此得出的关联惊人地简单且有力。例如，如果在一次穿越城市的15分钟车程中遇到的轿车数量高于皮卡数量，该城市很可能在下届总统选举中投票给民主党（概率88%）；否则，很可能投票给共和党（概率82%）。我们的结果表明，用于监测人口趋势的自动化系统可以有效补充劳动密集型方法，并具有以精细空间分辨率、近乎实时地检测趋势的潜力。
引用
@article{arxiv.1702.06683,
title = {Using Deep Learning and Google Street View to Estimate the Demographic Makeup of the US},
author = {Timnit Gebru and Jonathan Krause and Yilun Wang and Duyun Chen and Jia Deng and Erez Lieberman Aiden and Li Fei-Fei},
journal= {arXiv preprint arXiv:1702.06683},
year = {2022}
}
备注
41 pages including supplementary material. Under review at PNAS