論文の概要: Predicting household socioeconomic position in Mozambique using satellite and household imagery
- arxiv url: http://arxiv.org/abs/2411.08934v1
- Date: Wed, 13 Nov 2024 09:47:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-15 15:24:59.490025
- Title: Predicting household socioeconomic position in Mozambique using satellite and household imagery
- Title（参考訳）: 衛星画像と世帯画像を用いたモザンビークの家庭社会経済的位置の予測
- Authors: Carles Milà, Teodimiro Matsena, Edgar Jamisse, Jovito Nunes, Quique Bassat, Paula Petrone, Elisa Sicuri, Charfudin Sacoor, Cathryn Tonne,
- Abstract要約: モザンビーク南部の半農村部に975世帯のデータセットを構築し、自己申告資産、支出、所得SEPデータからなる。
画像から特徴ベクトルを抽出するために畳み込みニューラルネットワークを微調整し、リグレッション解析で家庭用SEPをモデル化した。
以上の結果から,地上の世帯写真が地域レベルから個人の世帯予測にどのようにズームインできるかが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Many studies have predicted SocioEconomic Position (SEP) for aggregated spatial units such as villages using satellite data, but SEP prediction at the household level and other sources of imagery have not been yet explored. We assembled a dataset of 975 households in a semi-rural district in southern Mozambique, consisting of self-reported asset, expenditure, and income SEP data, as well as multimodal imagery including satellite images and a ground-based photograph survey of 11 household elements. We fine-tuned a convolutional neural network to extract feature vectors from the images, which we then used in regression analyzes to model household SEP using different sets of image types. The best prediction performance was found when modeling asset-based SEP using random forest models with all image types, while the performance for expenditure- and income-based SEP was lower. Using SHAP, we observed clear differences between the images with the largest positive and negative effects, as well as identified the most relevant household elements in the predictions. Finally, we fitted an additional reduced model using only the identified relevant household elements, which had an only slightly lower performance compared to models using all images. Our results show how ground-based household photographs allow to zoom in from an area-level to an individual household prediction while minimizing the data collection effort by using explainable machine learning. The developed workflow can be potentially integrated into routine household surveys, where the collected household imagery could be used for other purposes, such as refined asset characterization and environmental exposure assessment.
- Abstract（参考訳）: 多くの研究では、衛星データを用いた村落などの集合空間単位に対する社会経済的位置(SEP)を予測しているが、家庭レベルでのSEP予測やその他の画像ソースはまだ検討されていない。
モザンビーク南部の半農村部における975世帯のデータセットを収集し, 自己申告資産, 支出, 所得SEPデータ, 衛星画像を含むマルチモーダル画像, 11世帯の地上写真調査を行った。
画像から特徴ベクトルを抽出するために畳み込みニューラルネットワークを微調整し、回帰分析に使用し、異なる画像型を用いて家庭用SEPをモデル化した。
その結果,全てのイメージタイプでランダム森林モデルを用いて資産ベースSEPをモデル化する場合に,支出ベースSEPと所得ベースのSEPのパフォーマンスが低かった。
SHAPを用いて,最大の正および負の効果を有する画像の明確な相違と,予測における最も関連性の高い世帯要素を同定した。
最後に,すべての画像を用いたモデルと比較してわずかに性能が劣る特定された家庭用要素のみを用いて,付加的な縮小モデルを適用した。
この結果から,地中画像が地域レベルから個人世帯の予測にどのようにズームインできるかを,説明可能な機械学習を用いて,データ収集の労力を最小限に抑えながら示すことができた。
構築されたワークフローは、収集された世帯イメージを改良された資産評価や環境暴露評価といった他の目的のために使用できる、通常の家庭調査に組み込むことが可能である。
関連論文リスト
- SimMAT: Exploring Transferability from Vision Foundation Models to Any Image Modality [136.82569085134554]
大量のデータを訓練するChatGPTやSoraのような基礎的なモデルは、革命的な社会的影響をもたらしている。
様々な分野のセンサーが、同じ規模の自然画像を集め、強力な基礎モデルを訓練することは極めて困難である。
この研究は、自然のRGB画像に基づいて訓練された視覚基盤モデルから、異なる物理特性の他の画像モダリティへの転送可能性という、オープンな問題を研究するための、シンプルで効果的なフレームワークであるSimMATを提示する。
論文 参考訳（メタデータ） (2024-09-12T14:38:21Z) - Segment Anything Model for automated image data annotation: empirical studies using text prompts from Grounding DINO [0.0]
DINOとSAM(Segment Anything Model)は、ゼロショットオブジェクトの検出と画像のセグメンテーションにおいて、優れたパフォーマンスを実現している。
評価可能な信頼度スコアを持つ偽陽性検出が画像領域を占有しており、通常、相対的なサイズでフィルタリング可能であることを示す。
また、手動によるアプローチよりもセグメンテーション性能とアノテーションの保存時間が大幅に改善されたことを報告した。
論文 参考訳（メタデータ） (2024-06-27T10:08:29Z) - Using Images as Covariates: Measuring Curb Appeal with Deep Learning [0.0]
本稿では、画像データを従来の計量モデルに統合する革新的な手法を詳述する。
住宅不動産の販売価格予測に動機づけられた深層学習の力を活用して「情報」を付加する
各画像内で提示される特異な特徴は、さらに汎視的セグメンテーションによって符号化された。
符号化されたデータに基づいてトレーニングされたニューラルネットワークからの予測は、サンプル外予測能力を改善する。
論文 参考訳（メタデータ） (2024-03-29T02:03:00Z) - Intrinsic Image Diffusion for Indoor Single-view Material Estimation [55.276815106443976]
室内シーンの外観分解のための生成モデルIntrinsic Image Diffusionを提案する。
1つの入力ビューから、アルベド、粗さ、および金属地図として表される複数の材料説明をサンプリングする。
提案手法は,PSNRで1.5dB$,アルベド予測で45%のFIDスコアを達成し,よりシャープで,より一貫性があり,より詳細な資料を生成する。
論文 参考訳（メタデータ） (2023-12-19T15:56:19Z) - Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。
我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
論文 参考訳（メタデータ） (2023-11-30T21:11:20Z) - On the Out of Distribution Robustness of Foundation Models in Medical
Image Segmentation [47.95611203419802]
視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。
一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。
さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
論文 参考訳（メタデータ） (2023-11-18T14:52:10Z) - Granularity at Scale: Estimating Neighborhood Socioeconomic Indicators
from High-Resolution Orthographic Imagery and Hybrid Learning [1.8369448205408005]
オーバーヘッド画像は、コミュニティ情報が不足しているギャップを埋めるのに役立つ。
機械学習とコンピュータビジョンの最近の進歩により、画像データのパターンから素早く特徴を抽出し、検出することが可能になった。
本研究では, 人口密度, 中央値世帯所得, 教育達成率の2つのアプローチ, 教師付き畳み込みニューラルネットワークと半教師付きクラスタリングについて検討する。
論文 参考訳（メタデータ） (2023-09-28T19:30:26Z) - 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) - What Image Features Boost Housing Market Predictions? [81.32205133298254]
本稿では,予測アルゴリズムにおける効率的な数値包摂のための視覚特徴抽出手法を提案する。
本稿では,シャノンのエントロピー,重心計算,画像分割,畳み込みニューラルネットワークなどの手法について論じる。
ここで選択された40の画像特徴のセットは、かなりの量の予測能力を持ち、最も強力なメタデータ予測器よりも優れています。
論文 参考訳（メタデータ） (2021-07-15T06:32:10Z) - Towards Adaptive Benthic Habitat Mapping [9.904746542801838]
本研究では,効率的な自律下水車両(AUV)探査計画に生息環境モデルを用いる方法を示す。
ベイズニューラルネットワークは、広範囲な水量測定データを与えられたとき、視覚的に派生した生息地クラスを予測するために使用される。
これらの構造的不確実性推定が、より少ないサンプルでモデルを改善するためにどのように利用できるかを実証する。
論文 参考訳（メタデータ） (2020-06-20T01:03:41Z)
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。