使用深度學習推斷不同城市地區人們的社會經濟地位

事實證明，深度學習算法是解決各種現實問題的有前途的工具，尤其是那些需要分析大量數據的問題。實際上，與其他計算技術相比，這些算法可以簡單地通過處理與其設計要完成的任務相關的數據來學習做出高度準確的預測。

里昂高等師范學院(ENS)和中歐大學(CEU)的研究人員最近開發了一個深度神經網絡，可用于研究城市化可能引起的社會經濟不平等。他們的研究以《自然機器智能》為特色，證實了卷積神經網絡(CNN)對地理區域進行深入分析的潛力。

多年來，有效跟蹤城市化進程是相當艱巨的任務，而城市化進程是城市規模日益擴大和人口稠密的過程。但是，越來越先進的遙感和衛星技術的發展為觀察特定地理區域以及與城市化有關的研究開辟了新的令人興奮的可能性。在他們的研究中，研究人員ENS Lyon和CEU嘗試使用深度學習算法來分析由這些工具收集的圖像。

研究人員Jacob Levy Abitbol和Marton Karsai說：“我們的最初目標實際上是檢查可以使我們的算法(即根據其衛星圖像預測某個區域的平均收入)的最精細的空間分辨率是什么。”進行這項研究的人士告訴TechXplore。“一旦這樣做，我們就開始懷疑我們的基礎深度學習模型在預測不同城市的收入時是否使用了相似的功能，以及該模型所使用的功能是否與我們認為與收入相關。”

模型架構：研究人員的模型將航拍作為輸入，然后通過幾個MBConv塊進行輸入。特征圖最終經過全局平均池化層和密集層以輸出單個值p。由此，從二項式分布中得出每個社會經濟類別的概率。信用：Abitbol和Karsai。

Abitbol和Karsai對法國城市地區的航拍圖像進行了CNN培訓，并評估了其預測這些地區居民的社會經濟地位的能力。出乎意料的是，當他們開始測試其算法時，他們發現該算法是由通常與收入或社會經濟地位沒有最強關聯的城市特征激活的。

在過去的幾年中，使用CNN預測基于衛星圖像的地理區域的收入已變得相當普遍。但是，為了做出準確的預測，應該對這些模型進行大量數據的訓練，包括感興趣區域的衛星圖像和與這些區域相關的收入相關信息。