采用卷積神經搜集（CNN）和衛星圖像數據來猜測地區收入程度的本領仍舊越來越一致，限制計劃正在考查漸漸貿易化以推向商場。但因為 CNN 的黑盒特性，大學一年級致模子并不能表明其猜測的背地進程。

近期的一項接洽采用熱力求 Grad-CAM 對神經搜集進行可視化，進一步探究了這些猜測背地的邏輯，讓人們對這些模子的真實性爆發了置疑——在猜測進程中能否采用了一致的特性，以及這些特性與收入程度的關系性。

比年來，不管是勞動力的遷徙，保持培植和住宅等資源的分配題目，背地都少不了對于都會化過程的推敲，貫穿加快的都會化過程無疑對都會的社會經濟情景爆發了深刻的感化，何如定量地監測和領略這一進程仍舊成為都會籌備和都會情景接洽范圍的要害課題。

日益進步的遙感和衛星本領仍舊為查看特定地域的地輿數據以及與都會化接洽鋪平了道路。經過人為衛星、飛機或其余遨游器上搜集地物目目的電磁輻射消息，可判認該地域的地議論況和資源傳播。比方都會人丁聚集程度和道路豎立情景收集，人丁的經濟特性測量等。

跟著多源、高精度遙感數據量的激增，保守的人為判讀和半自動化軟件解譯的辦法使其在功效和精確度打上扣頭。而采用人為智能和高辨別率遙感不妨說是天作之合，鑒于呆板進修算法長于處置海量數據領略題目的特性，不妨大幅減少遙感圖像解譯周期、普及解譯精準度。

究竟上，采用卷積神經搜集（CNN）和衛星圖像數據來猜測地區收入程度的本領仍舊越來越一致，限制計劃正在考查漸漸貿易化以推向商場。比方在缺乏經濟生存真實數據的振奮華夏度，鑒于高辨別率衛星圖像來估量耗費開銷和財富財產無疑是一種透徹、廉價和可晉級的采用，將對本地當局的策略和籌備計劃帶來要害參考。

這類計劃的基礎思緒是經過建立模型并索取與收入出色關系的特性進行猜測。但咱們的接洽表白，究竟大概并非如許，以是須要更為深刻地領會 CNN 是何如將視覺特性調整到猜測模子中的。接洽職員 Jacob Levy Abitbol、Ma′rton Karsai 說道。

Abitbol & Karsai 辨別來自法蘭西共和國里昂高檔師范學院 (ENS) 和匈牙利中歐大學(CEU)，不日他們共同開拓了一個神經搜集模子，以實行從航空拍攝圖像中猜測給定場所的社會經濟情景，從而按照潛伏的都會拓撲構造表明其激活圖，進而減少鑒于都會拓撲構造和高辨別率的社會經濟地圖之間猜測的差異。該接洽證明了卷積神經搜集（CNN）針對衛星圖像數據深刻領略的潛能。

圖 1：巴黎地域本質統計（左）和算法猜測（右）的每人平均收入地圖比較。每個像素代表 4000 平方米，臉色深淺代表不同地域住戶的社會經濟平衡程度。根源：Abitbol & Karsai.

該接洽的最后目的是經過度析某一地域姑且的衛星 / 航空圖像來搜集相關該地域經濟振奮的數據，進而漸漸代替人為搜集的人丁普遍檢查數據。在理念情景下，該模子須要完備可精細、可領會特性，即在地區 A 上演練出的模子該當在地區 B 上爆發普遍的截止，而且保證模子采用了精確的旗號。

該接洽采用法蘭西共和國都會的航空拍攝圖像進行演練，經過 MBConv 模塊索取特性圖，過程全部平衡池化層（GAP）和聚集層計劃出單個 p 值。由此，從二項式傳播中得出每個社會經濟階級的概率，猜測該地域住戶社會經濟場所的本領。

接洽的圖像數據重要鑒于三類公然數據集，索取了五個法蘭西共和國都會在社會經濟和地盤力用數據方面包車型的士完備數據及航空圖像：

由國度地輿消息接洽所 (IGN) 供給的法蘭西共和國市政的航照相片；

由法蘭西共和國國度統計和經濟接洽所 (INSEE) 供給的高辨別率的社會經濟地圖 (2019 年)；

由歐洲情景署供給的歐洲聯盟都會地圖集 (2012 年)，包括歐洲聯盟 28 個國度和歐洲自在交易區 22 個國度。

巴黎某一地區內的數據收集樣品：a. 遙感 / 航空拍攝圖像；b. 收入的空間傳播；c. 功效的空間傳播。

在接洽初期，須要探求一個最好的印象空間辨別率以創造可用的算法模子，Abitbol & Karsai 在 CNN 模子上海博物館得了不錯的截止。但跟著算法進一步被嘗試，Abitbol & Karsai 創造其常常是被少許與收入或社會經濟場所并非出色關系的都會特性激活。比方，因為大眾及貿易場合的燈光彩亮，經濟昌盛的都會地域常常在晚上具備較強的照明強度，但是模子優先商量的是住戶區的其余功效。

所以，他們發端置疑這些模子在猜測不同地域的收入程度時能否采用了一致的特性，以及這些特性與收入程度的關系性。

固然針對衛星圖像估計地域經濟收入情景的深度進修模子不在少量，但大學一年級致并不能表明其猜測的背地進程。這很大程度上取決于卷積神經搜集自己的本領特性——經過表面推導，以及梯度傳遞，去貫穿逼近限制最優解。但 Abitbol & Karsai 仍試圖表明其模子的猜測截止，以便更好地輿解它是何如為每一幅圖像估計出特定的收入。

為此，Abitbol & Karsai 采用熱力求 Grad-CAM 對神經搜集進行可視化，以接洽模子的可表明性，即經過熱力求的權重情勢來展示，神經搜集對圖片的哪一限制激活值最大。

鑒于航空拍攝圖像（a），運用 Grad-CAM 計劃出最艱難地域（b）和最富余步域（c）的社會經濟階級的熱力求；將熱力求與航空拍攝圖進行疊加演練 CNN，得出都會功效地區的多邊形圖（d），計劃出最艱難地域（e）和最富余步域（f）的規范化激活比例。（ UA: urban area; DUF: discontinuous urban fabric）

經過將高辨別率的類辨別激活圖投射到原始地圖上，并與地盤力用數據疊加，以天生體味統計的特性，使模子更為精確地猜測該地域在社會經濟場所方面包車型的士地盤力用類型。這一計劃讓社會經濟場所的猜測范疇更加一致，同時也透徹地指出了猜測都會情景的如實特性。其他，它還供給了不同的都會在都會拓撲構造和財產分配之間的關系形式。

該接洽創造，在估計社會經濟場所的進程中，CNN 模子忽視了地盤力用和社會經濟數據之間的現有關系性，而重要關心包括在住戶區內的特性。這一創造為猜測的本質運用引入了更多可表明性和參考，讓策略的擬訂者和計劃者不只不妨促進其模子里面運作模子的領會，同時也將為艱難地域的都會振奮和都會籌備帶來更多開辟。

固然 CNN 已表露出搜集地輿社會經濟數據的后勁，但該接洽表白，其猜測背地的進程存在不行靠大概，所以應進行進一步接洽。接下來，該接洽小組將會在猜測模子的可表明性方面進行更多探究，使其不妨更靈驗和真實地實行。

Abitbol & Karsai 說道，咱們對于感化模子可猜測和可表明程度的成分格外感愛好，其他咱們還將經過保守的視覺辨別算法進行收入程度的猜測，以考證 CNN 模子在不同地域的遷徙本領以及進行高精度社會經濟猜測的精確性。