論文の概要: Satellite Images and Deep Learning to Identify Discrepancy in Mailing Addresses with Applications to Census 2020 in Houston

• arxiv url: http://arxiv.org/abs/2111.06562v1
• Date: Fri, 12 Nov 2021 04:32:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 07:58:39.947601
• Title: Satellite Images and Deep Learning to Identify Discrepancy in Mailing Addresses with Applications to Census 2020 in Houston
• Title（参考訳）: 衛星画像とディープラーニングによる郵便住所の不一致の特定と2020年ヒューストン国勢調査への応用
• Authors: Zhaozhuo Xu, Alan Baonan Ji, Andrew Woods, Beidi Chen and Anshumali Shrivastava
• Abstract要約: 現在の国勢調査のパラダイムは、数え切れないほど低い水準にある。 隠れ多家族(HMF)を識別するための低コストで高精度な手法を提案する。
• 参考スコア（独自算出の注目度）: 35.44743731702059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The accuracy and completeness of population estimation would significantly impact the allocation of public resources. However, the current census paradigm experiences a non-negligible level of under-counting. Existing solutions to this problem by the Census Bureau is to increase canvassing efforts, which leads to expensive and inefficient usage of human resources. In this work, we argue that the existence of hidden multi-family households is a significant cause of under-counting. Accordingly, we introduce a low-cost but high-accuracy method that combines satellite imagery and deep learning technologies to identify hidden multi-family (HMF) households. With comprehensive knowledge of the HMF households, the efficiency and effectiveness of the decennial census could be vastly improved. An extensive experiment demonstrates that our approach can discover over 1800 undetected HMF in a single zipcode of the Houston area.
• Abstract（参考訳）: 人口推定の正確さと完全性は公共資源の配分に大きな影響を与える。 しかし、現在の国勢調査パラダイムは、数え切れないほど低い水準にある。 国勢調査局による既存の解決策は、人的資源の高価で非効率な利用につながるキャンバス化の努力を増やすことである。 本研究では,隠れた多世帯の存在が,少人数化の大きな要因であると主張する。 そこで我々は,衛星画像とディープラーニング技術を組み合わせて隠れ多家族(HMF)を識別する低コストで高精度な手法を提案する。 HMF世帯の総合的な知識により、12年国勢調査の効率性と有効性は大幅に改善される可能性がある。 大規模な実験により、ヒューストン地域の1つのジップコードで1800以上の未検出HMFを発見できることが示された。

関連論文リスト

• The 2020 United States Decennial Census Is More Private Than You (Might) Think [25.32778927275117]
  我々は、2020年国勢調査のプライバシー予算の8.50%から13.76%が8つの地理的レベルごとに使われていないことを示した。 我々は、地理的レベルで同じプライバシー予算を維持しながら、ノイズ分散を15.08%から24.82%削減する。
  論文  参考訳（メタデータ） (2024-10-11T23:06:15Z)
• Evaluating Bias and Noise Induced by the U.S. Census Bureau's Privacy Protection Methods [0.0]
  アメリカ合衆国国勢調査局は、国勢調査統計の正確さと個々の情報の保護との間に難しいトレードオフに直面している。 我々は,2つの主要な開示回避システムによって誘導されるバイアスとノイズの独立評価を行う。 TopDownのポストプロセッシングはNMFノイズを劇的に低減し、スワップの精度に類似したデータを生成する。
  論文  参考訳（メタデータ） (2023-06-13T03:30:19Z)
• So2Sat POP -- A Curated Benchmark Data Set for Population Estimation from Space on a Continental Scale [11.38584315242023]
  欧州98都市における人口推定のための包括的データセットを提供する。 データセットは、デジタル標高モデル、地域気候帯、土地利用率、夜間光とマルチスペクトルセンチネル2画像の組み合わせ、およびOpen Street Mapイニシアチブのデータから構成される。
  論文  参考訳（メタデータ） (2022-04-07T07:30:43Z)
• IS-COUNT: Large-scale Object Counting from Satellite Images with Covariate-based Importance Sampling [90.97859312029615]
  本研究では,大規模地形におけるオブジェクト数統計をサンプリングによって推定する手法を提案する。 提案手法は,米国とアフリカ,ケニアの自動車,バングラデシュのレンガキルン,米国のスイミングプールの建物数の推定において,高い性能を発揮することを示す。
  論文  参考訳（メタデータ） (2021-12-16T18:59:29Z)
• Census-Independent Population Estimation using Representation Learning [0.5735035463793007]
  代替データを用いた国勢調査非依存の人口推定手法は、頻繁に信頼性の高い人口推定を局所的に提供することを約束している。 モザンビークにおける近年の表現学習手法について検討し,人口推定への表現の伝達可能性を評価する。 表現学習を使用することで、特徴が自動的に抽出されるため、人間の監督が不要になる。 得られた人口推計をGRID3, Facebook (HRSL) および WorldPop の既存人口製品と比較した。
  論文  参考訳（メタデータ） (2021-10-06T15:13:36Z)
• Assessing the Quality of Gridded Population Data for Quantifying the Population Living in Deprived Communities [0.0]
  2014年、都市人口の65%がスラムに住んでいた。 スラムに関するデータのほとんどは国勢調査データから得られており、これは集計レベルでのみ利用可能であり、しばしばこれらの集落を除外している。 我々は1,703個のジオレファレンスポリゴンからなる地層データに対して,WorldPOPとLandScanの人口層の精度を評価する。
  論文  参考訳（メタデータ） (2020-11-25T18:14:30Z)
• Deploying machine learning to assist digital humanitarians: making image annotation in OpenStreetMap more efficient [72.44260113860061]
  本稿では,OpenStreetMapにおけるボランティアの作業を支援し,最適化するためのインタラクティブな手法を提案する。 提案手法は,OSMのボランティアが検証・修正するために必要なデータ量を大幅に削減する。
  論文  参考訳（メタデータ） (2020-09-17T10:05:30Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)
• 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)
• CNN-based Density Estimation and Crowd Counting: A Survey [65.06491415951193]
  本稿では,主にCNNに基づく密度マップ推定法において,群集数モデルについて包括的に検討する。 評価指標から, 観客数データセットで上位3人のパフォーマーを選択した。 我々は、今後のクラウドカウントの展開について、合理的な推測と予測を行うことを期待する。
  論文  参考訳（メタデータ） (2020-03-28T13:17:30Z)

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。