I ricercatori di intelligenza artificiale e i data scientist di Facebook hanno creato mappe della densità della popolazione. La particolarità è che sono più precisi e con una risoluzione più elevata rispetto a tutti i loro predecessori. Derrick Bonak, Derrick Bonafilia, James Gill, Danil Kirsanov e Jason Sundram si sono rivolti al blog di Facebook martedì per scrivere del loro lavoro.

Queste mappe sono progettate per uno scopo significativo:la mappatura per gli aiuti umanitari e lo sviluppo. Pensa agli operatori umanitari nel controllo delle malattie e nella preparazione alle catastrofi.

"Sulla base della nostra precedente pubblicazione di mappe della popolazione simili ad alta risoluzione per 22 paesi, ora stiamo rilasciando nuove mappe della maggior parte del continente africano, e il progetto alla fine mapperà quasi l'intera popolazione mondiale".

Ben Paynter in Azienda veloce ha esposto le grandi sfide per i lavoratori che ottengono aiuto alle persone che ne hanno bisogno e come le mappe possono aiutare.

"Vaccini, insetticidi che combattono le malattie, e i nuovi progressi nella tecnologia solare possono aiutare le persone nei paesi in via di sviluppo a rimanere più sane e ad avere una vita di qualità migliore. Questo è, se riesci a trovarli. In molti posti, le comunità più piccole sono sparse su un terreno vasto e relativamente inesplorato".

Questo è stato sviluppato dal team World.AI della società con sede a Boston. Il team di Facebook aveva alcune prove che le loro mappe avrebbero potuto raggiungere il suo scopo. Hanno detto che in Malawi, le mappe di Facebook sono state utilizzate per informare una campagna di morbillo e rosolia. La Croce Rossa è stata in grado di inviare volontari locali addestrati in aree specifiche bisognose.

La tecnologia che serve il loro obiettivo è una miscela di tecniche di apprendimento automatico, immagini satellitari ad alta risoluzione, e dati sulla popolazione. (Hanno scritto che le mappe satellitari in questo progetto "sono state generate utilizzando immagini satellitari disponibili in commercio da DigitalGlobe, lo stesso tipo di immagini rese disponibili tramite servizi di mappatura pubblicamente accessibili.")

Il loro metodo prevedeva la mappatura di "centinaia di milioni di strutture" distribuite su vaste aree. L'hanno usato per estrapolare la densità di popolazione locale.

Un altro post sul blog di Facebook ha ulteriormente descritto il processo. "Solo per l'Africa, Per esempio, il sistema ha esaminato 11,5 miliardi di singole immagini per determinare se contenevano una struttura. Il loro approccio ha trovato circa 110 milioni di strutture in pochi giorni".

Per spiegare come si è scatenata l'intelligenza artificiale, un post di Karen Hao in "The Download" di Revisione della tecnologia del MIT attraversato i lettori.

"Primo, un team del gruppo World.AI di Facebook ha dovuto addestrare una rete neurale per riconoscere se un pezzo di terra all'interno di un'immagine satellitare conteneva una casa. Per fare questo, i ricercatori hanno creato un set di dati di formazione sovrapponendo su immagini satellitari più di 100 milioni di coordinate di abitazioni in crowdsourcing da OpenStreetMap. Hanno anche usato trucchi di visione artificiale della vecchia scuola per verificare che le immagini etichettate senza case non contenessero oggetti rivelatori a forma di poligono".

Le immagini satellitari del continente africano sono state suddivise in aree di 100 piedi per 100 piedi. Hanno usato la rete neurale per creare un accurato, mappa della densità di popolazione ad alta risoluzione.

Vale la pena leggere i blog, di sicuro, non solo per scoprire cosa hanno realizzato, ma per apprezzare la grande sfida che affligge la mappatura della popolazione. È una sfida, come hanno detto, adatto per l'apprendimento profondo.

"Il censimento di un paese mostra quante persone vivono in un particolare tratto di censimento, ma non indica dove le persone vivono in questi tratti, e talvolta i tratti comprendono centinaia di miglia quadrate. La sola Africa ha 1,2 miliardi di persone su quasi 16 milioni di miglia quadrate; il suo tratto di censimento più grande è 150, 000 miglia quadrate con 55, 000 persone. Se i ricercatori sapessero dove si trovano le case o altri edifici in questi tratti, potrebbero creare mappe di densità estremamente accurate allocando la popolazione proporzionalmente a ciascuna di esse".

Così, dato un "enorme squilibrio, " cosa hanno fatto?

"La maggior parte della terra del mondo non contiene un edificio, quindi abbiamo spesso avuto a che fare con squilibri di classe da negativo a positivo di 100, 000-a-1. Abbiamo utilizzato una fase di pre-elaborazione utilizzando tecniche di visione artificiale classiche con un richiamo quasi perfetto (a costo di una bassa precisione) per scartare la maggior parte delle aree che non contenevano un edificio. Questo ci ha lasciato con patch di immagini satellitari candidate di ~30x30 metri (64x64 pixel)".

(Una didascalia nel rapporto spiega che "La nostra pipeline prima mette da parte le posizioni che non potrebbero contenere un edificio. Quindi la rete neurale classifica ogni posizione rimanente in base alla probabilità che contenga un edificio.")

Passarono alla prossima sfida, scrissero, e questo era classificare quali patch contenevano un edificio. "Anche se notevolmente ridotto dalla pre-elaborazione, il rapporto tra caselle vuote e case con edifici era ancora di 10 a 1 o addirittura 1, 000-a-1. Questo ha creato un problema di classificazione binaria squilibrata, e abbiamo quindi valutato i nostri risultati utilizzando il punteggio F1, che è la media armonica della precisione e del richiamo."

"La risoluzione senza precedenti, scala, e l'accuratezza delle nostre ultime offerte dovrebbe continuare ad aiutare gli aiuti umanitari e gli sforzi per lo sviluppo in tutto il mondo".

Il team ha reso disponibile il set di dati per il download.

Cosa c'è dopo:hanno in programma di rilasciare mappe della popolazione ad alta risoluzione di più luoghi nei prossimi mesi. Il progetto mira a continuare ad aggiungere nuovi continenti e paesi.

"The Download" nel frattempo si riferiva a qualcosa chiamato "Deep Geography" e la sua carrellata suggerisce un interesse scientifico generale nell'estrazione di informazioni dalle immagini satellitari utilizzando il deep learning. Uno degli esempi nel post era di Microsoft, che l'anno scorso "ha addestrato un modello di deep learning per costruire un set di dati completo di tutte le impronte degli edifici negli Stati Uniti".

© 2019 Scienza X Rete