Facebooks kortlægningsteam har til formål at hjælpe hjælpearbejdere med at vide, hvor der er brug for hjælp

Kunstig intelligens-forskere og dataforskere hos Facebook har lavet kort over befolkningstæthed. Det specielle er, at de er mere nøjagtige og med højere opløsning end nogen af ​​deres forgængere. Derrick Bonak, Derrick Bonafilia, James Gill, Danil Kirsanov og Jason Sundram henvendte sig tirsdag til Facebook-bloggen for at skrive om deres arbejde.

Disse kort er designet til et væsentligt formål - kortlægning til humanitær bistand og udvikling. Tænk på hjælpearbejdere i sygdomsbekæmpelse og katastrofeberedskab.

"Med udgangspunkt i vores tidligere udgivelse af lignende højopløselige befolkningskort for 22 lande, vi udgiver nu nye kort over størstedelen af ​​det afrikanske kontinent, og projektet vil i sidste ende kortlægge næsten hele verdens befolkning."

Ben Paynter ind Hurtigt selskab redegjort for de fantastiske udfordringer i, at arbejdere får hjælp til de mennesker, der har brug for det, og hvordan kortene kan hjælpe.

"Vacciner, sygdomsbekæmpende insekticider, og nye fremskridt inden for solteknologi kan alle hjælpe mennesker i udviklingslande med at forblive sundere og få bedre livskvalitet. Det er, hvis du kan finde dem. Mange steder, mindre samfund er spredt ud over stort og relativt ukendt terræn."

Dette blev udviklet af virksomhedens Boston-baserede World.AI-team. Facebook-teamet havde nogle beviser for, at deres kort kunne nå sit formål. De sagde, at i Malawi, Facebook-kortene blev brugt til at informere en mæslinge- og røde hundekampagne. Røde Kors var i stand til at udsende trænede lokale frivillige til specifikke områder med behov.

Den teknologi, der tjener deres mål, er en blanding af maskinlæringsteknikker, højopløselige satellitbilleder, og befolkningsdata. (De skrev, at satellitkortene i dette projekt "blev genereret ved hjælp af kommercielt tilgængelige satellitbilleder fra DigitalGlobe - den samme type billeder, der er gjort tilgængelige via offentligt tilgængelige korttjenester."

Deres metode involverede kortlægning af "hundredevis af millioner af strukturer", der er fordelt på store områder. Det brugte de til at ekstrapolere den lokale befolkningstæthed.

Et andet Facebook-blogindlæg beskrev yderligere processen. "Alene for Afrika, for eksempel, systemet undersøgte 11,5 milliarder individuelle billeder for at afgøre, om de indeholdt en struktur. Deres tilgang fandt cirka 110 millioner strukturplaceringer på blot et par dage."

For at forklare, hvordan AI blev sluppet løs, et indlæg af Karen Hao i "The Download" af MIT Technology Review gik læserne igennem.

"Først, et hold hos Facebooks World.AI-gruppe skulle træne et neuralt netværk for at genkende, om et jordstykke inden for et satellitbillede indeholdt et hjem. At gøre dette, forskerne skabte et træningsdatasæt ved at overlejre mere end 100 millioner crowdsourcede koordinater af hjem fra OpenStreetMap på satellitbilleder. De brugte også old-school computervision-tricks for at bekræfte, at billederne mærket uden hjem ikke indeholdt nogle afslørende polygonformede objekter."

Satellitbilleder af det afrikanske kontinent blev delt op i 100 fod gange 100 fod områder. De brugte det neurale netværk til at skabe en nøjagtig, højopløseligt befolkningstæthedskort.

Bloggene er værd at læse, helt sikkert, ikke kun for at finde ud af, hvad de opnåede, men for at værdsætte den store udfordring, der er forbundet med befolkningskortlægning. Det er en udfordring, som de sagde, velegnet til dyb læring.

"Et lands folketælling viser, hvor mange mennesker der bor i en bestemt folketælling, men det angiver ikke, hvor folk bor i disse trakter - og nogle gange omfatter trakterne hundredvis af kvadratkilometer. Afrika alene har 1,2 milliarder mennesker på næsten 16 millioner kvadratkilometer; dens største folketællingskanal er 150, 000 kvadrat miles med 55, 000 mennesker. Hvis forskerne vidste, hvor husene eller andre bygninger var placeret i disse områder, de kunne skabe ekstremt nøjagtige tæthedskort ved at allokere befolkningen proportionalt til hver enkelt."

Så, givet en "massiv ubalance, " hvad gjorde de?

"Det meste af verdens jord indeholder ikke en bygning, så vi har ofte håndteret negative til positive klasseubalancer på 100, 000-til-1. Vi brugte et forbehandlingstrin ved at bruge klassiske computervisionsteknikker med næsten perfekt genkaldelse (på bekostning af lav præcision) til at kassere de fleste områder, der ikke indeholdt en bygning. Dette efterlod os med kandidat ~30x30-meter (64x64-pixel) patches af satellitbilleder."

(En billedtekst i rapporten forklarer, at "Vores pipeline sætter først steder til side, der ikke kunne indeholde en bygning. Derefter rangerer neuralnettet hver resterende placering efter sandsynligheden for, at den indeholder en bygning.")

De gik videre til næste udfordring, de skrev, og det var at klassificere hvilke pletter der indeholdt en bygning. "Selvom den er stærkt reduceret af forbehandlingen, forholdet mellem tomme firkanter og dem med bygninger var stadig 10-til-1 eller endda 1, 000-til-1. Dette skabte et ubalanceret binært klassifikationsproblem, og vi evaluerede derfor vores resultater ved hjælp af F1-score, som er det harmoniske middel af præcision og genkaldelse."

"Den hidtil usete beslutning, vægt, og nøjagtigheden af ​​vores nyeste tilbud bør fortsætte med at hjælpe humanitær nødhjælp og udviklingsindsats rundt om i verden."

Teamet har gjort datasættet tilgængeligt til download.

Hvad er det næste:De planlægger at frigive befolkningskort i høj opløsning over flere steder i de kommende måneder. Projektet har til formål at blive ved med at tilføje nye kontinenter og lande.

"Downloaden" refererede i mellemtiden til noget, der kaldes "Deep Geography", og dets sammenfatning antyder en generel videnskabelig interesse i at udtrække information fra satellitbilleder ved hjælp af deep learning. Et af eksemplerne i indlægget var Microsoft, som sidste år "trænede en deep-learning model til at opbygge et omfattende datasæt af alle bygningens fodspor i USA."

© 2019 Science X Network