Facebook的人工智能研究人員和數據科學家創建了人口密度圖。特別之處在于它們比任何前輩都更準確，分辨率更高。Derrick Bonak，Derrick Bonafilia，James Gill，Danil Kirsanov和Jason Sundram周二轉向Facebook博客寫下他們的作品。

這些地圖是為人道主義援助和發展的重要目的而繪制的。認為援助工作者在疾病控制和災難準備方面。

“在我們之前發布的22個國家類似的高分辨率人口地圖的基礎上，我們現在發布了非洲大陸大部分地區的新地圖，該項目最終將映射全世界的人口。”

快速公司的 Ben Paynter為工人提供了極大的挑戰，幫助需要幫助的人以及地圖如何提供??幫助。

“疫苗，疾病作戰殺蟲劑和太陽能技術的新進步，都可以幫助人們在發展中的國家保持健康，并有更好的品質生活。也就是說，如果你能找到他們。在許多地方，較小的社區都在廣闊攤開和相對未知的地形。“

這是由該公司位于波士頓的World.AI團隊開發的。Facebook團隊有一些證據表明他們的地圖可以實現其目的。他們說，在馬拉維，Facebook地圖被用來告知麻疹和風疹運動。紅十字會能夠將訓練有素的當地志愿者部署到有需要的特定地區。

實現其目標的技術是機器學習技術，高分辨率衛星圖像和人口數據的混合體。(他們寫道，這個項目中的衛星地圖“是使用DigitalGlobe的商業衛星圖像生成的 - 通過可公開訪問的地圖服務提供的相同類型的圖像。”)

他們的方法涉及映射分布在廣大地區的“數以億計的結構”。他們用它來推斷當地的人口密度。

另一篇Facebook博文進一步描述了這一過程。“例如，僅對非洲而言，該系統檢查了115億個單獨的圖像，以確定它們是否包含一個結構。他們的方法在短短幾天內就發現了大約1.1億個結構位置。”

為了解釋人工智能是如何釋放出來的，Karen Hao在麻省理工學院技術評論 “下載”中的一篇文章引導讀者。

“首先，Facebook的World.AI小組的一個團隊必須訓練一個神經網絡，以識別衛星圖像中的一片土地是否包含一個家。為此，研究人員通過覆蓋超過1億人群創建了一個訓練數據集從OpenStreetMap到衛星圖像的家庭坐標。他們還使用老式計算機視覺技巧來驗證沒有家的標簽圖像不包含任何多邊形形狀的物體。“

非洲大陸的衛星圖像被分割成100英尺×100英尺的區域。他們使用神經網絡創建準確的高分辨率人口密度圖。

當然，博客值得一讀，不僅要了解他們取得的成就，還要欣賞困擾人口映射的巨大挑戰。正如他們所說，這是一項挑戰，適合深度學習。

“一個國家的人口普查顯示有多少人生活在一個特定的人口普查區，但它并不表明人們居住在這些地區 - 有時候這些地區包含數百平方英里。僅非洲就有近12億平方英里的12億人口;其最大的人口普查區是150,000平方英里，有55,000人。如果研究人員知道房屋或其他建筑物在這些區域中的位置，他們可以通過按比例分配每個人口來創建極其準確的密度圖。

因此，鑒于“巨大的不平衡”，他們做了什么?

“世界上大部分土地都不包含建筑物，所以我們經常處理從100到1的負到正的階級不平衡。我們使用經典的計算機視覺技術進行預處理步驟，幾乎完美的召回(在丟棄大部分不包含建筑物的區域，這使得我們留下了候選~30x30米(64x64像素)的衛星圖像。“

(報告中的標題解釋說“我們的管道首先留出不能包含建筑物的位置。然后神經網絡根據它包含建筑物的可能性對每個剩余位置進行排序。”)

他們寫道，他們繼續接下來的挑戰，那就是對包含建筑物的補丁進行分類。“雖然通過預處理大大減少了，但空方格與建筑物的比例仍為10比1甚至1,000比1.這造成了不平衡的二元分類問題，因此我們使用F1分數評估了我們的結果，這是精度和召回的調和平均值。“

“我們最新產品的前所未有的分辨率，規模和準確性應該繼續為世界各地的人道主義救援和發展提供幫助。”

該團隊已將數據集提供下載。

接下來是什么：他們計劃在未來幾個月發布更多地方的高分辨率人口地圖。該項目旨在不斷增加新的大陸和國家。

“下載”同時提到了一種名為“深度地理”的東西，其綜述提出了使用深度學習從衛星圖像中提取信息的一般科學內容。該帖中的一個例子是微軟，它去年“培訓了一種深度學習模型，用于構建美國所有建筑足跡的綜合數據集。”