論文の概要: Generating Interpretable Poverty Maps using Object Detection in Satellite Images

• arxiv url: http://arxiv.org/abs/2002.01612v2
• Date: Tue, 18 Feb 2020 02:02:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 21:39:08.220504
• Title: Generating Interpretable Poverty Maps using Object Detection in Satellite Images
• Title（参考訳）: 衛星画像における物体検出による解釈可能な貧困マップの生成
• Authors: Kumar Ayush, Burak Uzkent, Marshall Burke, David Lobell, Stefano Ermon
• Abstract要約: 衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
• 参考スコア（独自算出の注目度）: 80.35540308137043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate local-level poverty measurement is an essential task for governments and humanitarian organizations to track the progress towards improving livelihoods and distribute scarce resources. Recent computer vision advances in using satellite imagery to predict poverty have shown increasing accuracy, but they do not generate features that are interpretable to policymakers, inhibiting adoption by practitioners. Here we demonstrate an interpretable computational framework to accurately predict poverty at a local level by applying object detectors to high resolution (30cm) satellite images. Using the weighted counts of objects as features, we achieve 0.539 Pearson's r^2 in predicting village-level poverty in Uganda, a 31% improvement over existing (and less interpretable) benchmarks. Feature importance and ablation analysis reveal intuitive relationships between object counts and poverty predictions. Our results suggest that interpretability does not have to come at the cost of performance, at least in this important domain.
• Abstract（参考訳）: 正確な地域レベルの貧困測定は、政府や人道的組織にとって、生活の改善と不足した資源の分配に向けた進捗を追跡する上で不可欠なタスクである。 近年,衛星画像を用いて貧困を予測するコンピュータビジョンの進歩が進んでいるが,政策立案者に対して解釈可能な特徴は生み出さず,実践者による採用を阻害している。 本稿では,高分解能(30cm)衛星画像に物体検出器を適用することで,地域レベルでの貧困を正確に予測するための解釈可能な計算枠組みを示す。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r^2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。 特徴量とアブレーション分析は,対象数と貧困予測の直観的関係を明らかにする。 以上の結果から,少なくともこの重要な領域では,可読性は性能の犠牲を伴わないことが示唆された。

関連論文リスト

• Fairness and representation in satellite-based poverty maps: Evidence of urban-rural disparities and their impacts on downstream policy [5.456665139074406]
  本稿では,都市部および農村部における衛星による貧困マッピングにおける表現の格差,予測誤差の体系的バイアス,公平性の懸念について検討する。 本研究は,衛星による貧困マップを現実の政策決定に利用する前に,注意深い誤りとバイアス分析の重要性を強調した。
  論文  参考訳（メタデータ） (2023-05-02T21:07:35Z)
• Learning and Reasoning Multifaceted and Longitudinal Data for Poverty Estimates and Livelihood Capabilities of Lagged Regions in Rural India [22.98110639419913]
  このプロジェクトは、生活の質と生活の指標に基づいて、1990-2022年のインド農村の貧困状況を調べることを目的としている。 また、因果関係や縦断的分析も検討し、貧困の原因について検討する。
  論文  参考訳（メタデータ） (2023-04-27T05:33:08Z)
• Interpreting wealth distribution via poverty map inference using multimodal data [0.0]
  本稿では,複数の人口にまたがる富の平均および標準偏差を推論する機械学習モデルのパイプラインを提案する。 これらのモデルは、衛星画像と、オンラインのクラウドソーシングとソーシャルメディアを通じて収集されたメタデータに基づいて、7つの独立した、自由に利用可能な機能ソースを利用する。 その結果, 富の局所的平均と変動が回復し, 正の非単調な相関関係を正しく捉えた。
  論文  参考訳（メタデータ） (2023-02-17T11:35:44Z)
• Graph-based Village Level Poverty Identification [52.12744462605759]
  Webインフラストラクチャとそのモデリングツールの開発は、貧しい村を識別するための新しいアプローチを提供する。 地理的距離を通して村の接続をグラフとしてモデル化することにより,村の貧困状況とグラフトポロジ的位置との相関関係を示す。 貧しい村を識別する最初のグラフベース手法を提案する。
  論文  参考訳（メタデータ） (2023-02-14T06:58:40Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Predicting Poverty Level from Satellite Imagery using Deep Neural Networks [0.0]
  頭上衛星画像から地域の貧困レベルを予測する深層学習型コンピュータビジョン手法を開発した。 データ量とデータ拡張がネットワークの表現力と全体的な精度に与える影響について検討する。
  論文  参考訳（メタデータ） (2021-11-30T18:57:24Z)
• Interpretable Poverty Mapping using Social Media Data, Satellite Images, and Geospatial Information [0.0]
  本稿では、機械学習とアクセスしやすいデータソースを用いた貧困推定に対する解釈可能かつ費用効率のよいアプローチを提案する。 フィリピンの資産推定ではR2ドル0.66ドル、衛星画像では0.63ドルである。
  論文  参考訳（メタデータ） (2020-11-27T05:24:53Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Predicting Livelihood Indicators from Community-Generated Street-Level Imagery [70.5081240396352]
  本稿では,クラウドソースによるストリートレベルの画像から重要な生活指標を予測するための,安価でスケーラブルで解釈可能なアプローチを提案する。 全国的に代表される世帯調査で収集した地上データと比較することにより,貧困,人口,健康の指標を正確に予測する上でのアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2020-06-15T18:12:12Z)
• Efficient Poverty Mapping using Deep Reinforcement Learning [75.6332944247741]
  高解像度衛星画像と機械学習は多くのサステナビリティ関連タスクで有用であることが証明されている。 高解像度画像によって得られる精度は、そのような画像が大規模に購入するのに非常にコストがかかるため、コストがかかる。 コストの高い高解像度画像の取得場所を動的に識別するために,自由な低解像度画像を用いる強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-07T18:30:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。