Нейросети продолжают победное шествие по планете. О победе в го над Ли Седолем уже никто и не вспоминает, столько важных новостей было — от угадывания, где сделана фотография до анализа атмосферы экзопланет. А вот вам еще одна область применения свёрточных нейронных сетей: анализ спутниковых снимков для определения бедных районов Африки. Статья о методе была опубликована в журнале Science в 2016 году.
Анализ различных типов спутниковых снимков: города, сельская местность, река, дорога
Группа исследователей из Стэнфордского университета под руководством Маршалла Бурке (Marshall Burke) из Отделения электроинженерии предложила новый метод анализа спутниковых снимков. Свёрточная нейросеть тренировалась на снимках Африки, анализируя дневные и ночные фото, определяя по освещённости экономически развитые районы. Затем на тех же снимках система самостоятельно училась определять другие признаки богатых регионов: дороги, реки, прочую инфраструктуру… На основе этой тренировки был создан новый алгоритм оценки богатства отдельного кластера населения (посёлок, деревня, район города). Данные дополнялись материалами двух опросов проекта Demographic and Healh Surveys и Всемирного банка
В результате программа сама смогла «домысливать» недостающие ею данные и оценивать достаток домохозяйств только по спутниковым снимкам. Проверка, проведенная на пяти африканских странах: Танзании, Нигерии, Малави, Уганды и Руанды, показала, что искусственный интеллект в трёх из четырёх случаев правильно предсказывает реальный уровень богатства домохозяйств.
Авторы предполагают, что на основе их данных можно более точно определять направление международной помощи, не прибегая к очень дорогим социологическим исследованиям в Африке, которые, к тому же, порой сопряжены с риском для жизни для их операторов.
Текст: Алексей Паевский
Combining satellite imagery and machine learning to predict poverty
Neal Jean, Marshall Burke, Michael Xie, W. Matthew Davis, David B. Lobell, Stefano Ermon
Science, DOI: 10.1126/science.aaf7894
