Onderzoekers op het gebied van kunstmatige intelligentie en datawetenschappers bij Facebook hebben bevolkingsdichtheidskaarten gemaakt. Het bijzondere is dat ze nauwkeuriger en met een hogere resolutie zijn dan al hun voorgangers. Dirk Bonak, Derrick Bonafilia, James Gill, Danil Kirsanov en Jason Sundram wendden zich dinsdag tot de Facebook-blog om over hun werk te schrijven.

Deze kaarten zijn ontworpen voor een belangrijk doel:het in kaart brengen van humanitaire hulp en ontwikkeling. Denk aan hulpverleners bij ziektebestrijding en rampenparaatheid.

"Voortbouwend op onze eerdere publicatie van vergelijkbare bevolkingskaarten met hoge resolutie voor 22 landen, we brengen nu nieuwe kaarten uit van het grootste deel van het Afrikaanse continent, en het project zal uiteindelijk bijna de hele wereldbevolking in kaart brengen."

Ben Paynter in Snel bedrijf legde uit hoe moeilijk het is voor werknemers om hulp te krijgen van de mensen die het nodig hebben en hoe de kaarten kunnen helpen.

"Vaccins, ziektebestrijdende insecticiden, en nieuwe ontwikkelingen in zonnetechnologie kunnen allemaal mensen in ontwikkelingslanden helpen gezonder te blijven en een beter leven te leiden. Dat is, als je ze kunt vinden. Op veel plaatsen, kleinere gemeenschappen zijn verspreid over uitgestrekt en relatief onbekend terrein."

Dit is ontwikkeld door het in Boston gevestigde World.AI-team. Het Facebook-team had enig bewijs dat hun kaarten hun doel konden bereiken. Ze zeiden dat in Malawi, de Facebook-kaarten werden gebruikt om een ​​campagne tegen mazelen en rodehond te informeren. Het Rode Kruis kon opgeleide lokale vrijwilligers inzetten voor specifieke gebieden in nood.

De technologie die hun doel dient, is een mix van machine learning-technieken, satellietbeelden met hoge resolutie, en bevolkingsgegevens. (Ze schreven dat de satellietkaarten in dit project "werden gegenereerd met behulp van commercieel beschikbare satellietbeelden van DigitalGlobe - hetzelfde type beeldmateriaal dat beschikbaar is gesteld via openbaar toegankelijke kaartservices.")

Hun methode omvatte het in kaart brengen van "honderden miljoenen structuren" die over uitgestrekte gebieden zijn verspreid. Ze gebruikten dat om de lokale bevolkingsdichtheid te extrapoleren.

Een andere Facebook-blogpost beschreef het proces verder. "Alleen voor Afrika, bijvoorbeeld, het systeem onderzocht 11,5 miljard afzonderlijke afbeeldingen om te bepalen of ze een structuur bevatten. Hun aanpak vond in slechts een paar dagen ongeveer 110 miljoen structuurlocaties."

Om uit te leggen hoe AI werd ontketend, een bericht van Karen Hao in "The Download" van MIT Technology Review lezers doorliepen.

"Eerst, een team van Facebook's World.AI-groep moest een neuraal netwerk trainen om te herkennen of een stukje land in een satellietbeeld een huis bevatte. Om dit te doen, de onderzoekers creëerden een trainingsgegevensset door meer dan 100 miljoen crowdsourced-coördinaten van huizen van OpenStreetMap op satellietbeelden te leggen. Ze gebruikten ook ouderwetse computervisietrucs om te verifiëren dat de afbeeldingen zonder huizen geen veelbetekenende polygoonvormige objecten bevatten."

Satellietbeelden van het Afrikaanse continent werden opgedeeld in gebieden van 100 bij 100 voet. Ze gebruikten het neurale netwerk om een ​​nauwkeurige, bevolkingsdichtheidskaart met hoge resolutie.

De blogs zijn het lezen waard, zeker, niet alleen om erachter te komen wat ze hebben bereikt, maar ook om de grote uitdaging te waarderen waarmee het in kaart brengen van de bevolking te maken heeft. Het is een uitdaging, zoals ze zeiden, geschikt voor deep learning.

"De volkstelling van een land laat zien hoeveel mensen er in een bepaald volkstellingskanaal wonen, maar het geeft niet aan waar mensen in deze traktaten wonen - en soms beslaan de traktaten honderden vierkante mijlen. Afrika alleen al heeft 1,2 miljard mensen verspreid over bijna 16 miljoen vierkante mijl; het grootste volkstellingskanaal is 150, 000 vierkante mijl met 55, 000 mensen. Als onderzoekers wisten waar de huizen of andere gebouwen in deze traktaten stonden, ze zouden extreem nauwkeurige dichtheidskaarten kunnen maken door de populatie proportioneel aan elke kaart toe te wijzen."

Dus, gegeven een "enorme onbalans, " wat deden ze?

"Het grootste deel van 's werelds land bevat geen gebouw, dus we hebben vaak te maken gehad met negatieve-naar-positieve klassenonevenwichtigheden van 100, 000-tegen-1. We gebruikten een voorbewerkingsstap met behulp van klassieke computervisietechnieken met bijna perfecte terugroepactie (ten koste van lage precisie) om de meeste gebieden die geen gebouw bevatten weg te gooien. Dit leverde ons kandidaat-patches van ongeveer 30x30 meter (64x64 pixels) met satellietbeelden op."

(Een bijschrift in het rapport legt uit dat "Onze pijplijn eerst locaties opzij zet die geen gebouw kunnen bevatten. Vervolgens rangschikt het neurale net elke resterende locatie op basis van de waarschijnlijkheid dat het wel een gebouw bevat.")

Ze gingen door naar de volgende uitdaging, Zij schreven, en dat was het classificeren van welke plekken een gebouw bevatten. "Hoewel sterk verminderd door de voorbewerking, de verhouding van lege pleinen tot die met gebouwen was nog steeds 10-tegen-1 of zelfs 1, 000-tegen-1. Dit creëerde een onevenwichtig binair classificatieprobleem, en daarom hebben we onze resultaten geëvalueerd met behulp van de F1-score, dat is het harmonische gemiddelde van de precisie en herinnering."

"De ongekende resolutie, schaal, en nauwkeurigheid van ons nieuwste aanbod moeten blijven bijdragen aan humanitaire hulp- en ontwikkelingsinspanningen over de hele wereld."

Het team heeft de dataset beschikbaar gesteld om te downloaden.

Wat nu:ze zijn van plan de komende maanden bevolkingskaarten met een hoge resolutie van meer plaatsen vrij te geven. Het project heeft als doel om steeds nieuwe continenten en landen toe te voegen.

"The Download" verwees ondertussen naar iets dat "Deep Geography" wordt genoemd en de samenvatting suggereert een algemene wetenschappelijke interesse in het extraheren van informatie uit satellietbeelden met behulp van deep learning. Een van de voorbeelden in de post was van Microsoft, die vorig jaar "een diepgaand leermodel heeft getraind om een ​​uitgebreide dataset te bouwen van alle voetafdrukken van gebouwen in de VS."

© 2019 Wetenschap X Netwerk