使用深度学习推断不同城市地区人们的社会经济地位

事实证明，深度学习算法是解决各种现实问题的有前途的工具，尤其是那些需要分析大量数据的问题。实际上，与其他计算技术相比，这些算法可以简单地通过处理与其设计要完成的任务相关的数据来学习做出高度准确的预测。

里昂高等师范学院(ENS)和中欧大学(CEU)的研究人员最近开发了一个深度神经网络，可用于研究城市化可能引起的社会经济不平等。他们的研究以《自然机器智能》为特色，证实了卷积神经网络(CNN)对地理区域进行深入分析的潜力。

多年来，有效跟踪城市化进程是相当艰巨的任务，而城市化进程是城市规模日益扩大和人口稠密的过程。但是，越来越先进的遥感和卫星技术的发展为观察特定地理区域以及与城市化有关的研究开辟了新的令人兴奋的可能性。在他们的研究中，研究人员ENS Lyon和CEU尝试使用深度学习算法来分析由这些工具收集的图像。

研究人员Jacob Levy Abitbol和Marton Karsai说：“我们的最初目标实际上是检查可以使我们的算法(即根据其卫星图像预测某个区域的平均收入)的最精细的空间分辨率是什么。”进行这项研究的人士告诉TechXplore。“一旦这样做，我们就开始怀疑我们的基础深度学习模型在预测不同城市的收入时是否使用了相似的功能，以及该模型所使用的功能是否与我们认为与收入相关。”

模型架构：研究人员的模型将航拍作为输入，然后通过几个MBConv块进行输入。特征图最终经过全局平均池化层和密集层以输出单个值p。由此，从二项式分布中得出每个社会经济类别的概率。信用：Abitbol和Karsai。

Abitbol和Karsai对法国城市地区的航拍图像进行了CNN培训，并评估了其预测这些地区居民的社会经济地位的能力。出乎意料的是，当他们开始测试其算法时，他们发现该算法是由通常与收入或社会经济地位没有最强关联的城市特征激活的。

在过去的几年中，使用CNN预测基于卫星图像的地理区域的收入已变得相当普遍。但是，为了做出准确的预测，应该对这些模型进行大量数据的训练，包括感兴趣区域的卫星图像和与这些区域相关的收入相关信息。