AI는 이제 세계의 비공식 정착지를 감지하고 매핑할 수 있습니다.

<울>

세계 도시 인구의 거의 4분의 1이 도시 기반 시설과 기본 서비스와 단절된 비공식 정착촌에 살고 있습니다. 이 지역의 대부분의 주택은 건축 규정을 준수하지 않으며 환경 및 지리적으로 위험한 지역에 위치하고 있습니다.

이 지역을 매핑하면 NGO가 도움이 필요한 사람들에게 더 나은 서비스를 제공하는 데 도움이 될 수 있습니다. 이를 통해 지역 주민들은 상당한 방식으로 진화하고 더 나은 삶의 질을 얻을 수 있습니다. 그러나 이러한 영역을 매핑하는 것은 어려운 작업이며 많은 헌신적인 인적 및 재정적 자원이 필요합니다.

이러한 문제를 해결하기 위해 국제 연구원 팀은 무료로 제공되는 위성 및 항공 이미지를 사용하여 비공식 정착지를 자동으로 감지하고 매핑할 수 있는 딥 러닝 기반 시스템을 구축했습니다. 위성 이미지를 입력(원시 사용자 형식)으로 사용하고 비공식 정착지 지역을 특징으로 하는 이진 지도를 생성하는 훈련된 분류기를 제공합니다.

비용 효율적인 기계 학습 기반 접근 방식

연구원들은 정보 정착을 식별하고 매핑하기 위해 두 가지 기계 학습 기반 방법을 개발하고 광범위하게 검증했습니다. 하나는 비용 효율적이고 다른 하나는 비용이 많이 들지만 컨텍스트 정보를 처리하는 데 필수적입니다. 이러한 방법을 함께 사용하면 비공식 합의의 스펙트럼이 어떻게 보이는지 분류할 수 있습니다.

첫 번째 방법은 계산 효율적인 Canonical Correlation Forests(분류 및 회귀를 위한 의사 결정 트리 앙상블 방법)를 사용하여 저해상도 위성 이미지에서 비공식 정착지의 스펙트럼 신호를 학습합니다.

두 번째 방법은 초고해상도 위성 이미지가 포함된 회선 신경망을 사용하여 파인더 그레인 특징을 추출합니다. 팀은 지역뿐만 아니라 전 세계적으로 비공식 정착촌을 식별하기 위해 제안된 방법의 일반화를 시연했습니다.

참조:arXiv:1901.00861

컨볼루션 신경망은 각각 16GB 메모리가 있는 8개의 NVIDIA Tesla V100 GPU를 사용하여 저해상도, 고해상도 및 초고해상도 위성 이미지로 훈련됩니다. 초고해상도를 달성하는 데 약간의 비용이 들기 때문에 연구원들은 저해상도 위성 이미지를 사용하는 비용 효율적인 접근 방식을 고안했습니다.

나이로비 키베라의 공식 및 비공식 정착촌 | 연구원 제공

팀은 지상 진실과 함께 저해상도 및 초고해상도 위성 이미지에 대한 두 가지 비공식 합의 벤치마크를 발표했습니다. 또한 GitHub에 모든 소스 코드와 모델을 제공했습니다.

전 세계의 비공식 정착촌의 차이와 현장의 불확실성 때문에 이 시스템은 전이 학습 및 메타 학습 기술을 테스트하는 데 매우 유용할 수 있습니다. 연구원들은 확률 모델을 통해 불확실성을 특성화하기 위해 베이지안 기술을 적용할 계획입니다.

더욱이 비공식 정착촌의 1km 제곱 면적은 129,000명 이상을 수용할 수 있습니다. 따라서 각 픽셀은 13명을 나타낼 수 있습니다. 이러한 유형의 계산은 정부와 NGO가 얼마나 많은 지원이 필요하고 인프라가 얼마나 필요한지 이해하는 데 실제로 도움이 될 수 있습니다.

읽기:AI는 미국의 모든 건물을 정확하게 매핑할 수 있습니다.

연구원들은 현재 UNICEF와 협력하여 비공식 정착촌을 위한 추가 실측 데이터와 주석을 수집하고 있습니다.