Des chercheurs en intelligence artificielle et des data scientists de Facebook ont ​​créé des cartes de densité de population. Ce qui est si spécial, c'est qu'ils sont plus précis et avec une résolution plus élevée que n'importe lequel de leurs prédécesseurs. Derrick Bonak, Derrick Bonafilia, James Gill, Danil Kirsanov et Jason Sundram se sont tournés vers le blog Facebook mardi pour écrire sur leur travail.

Ces cartes sont conçues dans un but important :cartographier l'aide humanitaire et le développement. Pensez aux travailleurs humanitaires dans le contrôle des maladies et la préparation aux catastrophes.

« En s'appuyant sur notre précédente publication de cartes de population similaires à haute résolution pour 22 pays, nous publions maintenant de nouvelles cartes de la majorité du continent africain, et le projet finira par cartographier la quasi-totalité de la population mondiale."

Ben Paynter dans Entreprise rapide a exposé les formidables défis rencontrés par les travailleurs pour obtenir de l'aide aux personnes qui en ont besoin et comment les cartes peuvent aider.

"Vaccins, insecticides contre les maladies, et les nouveaux progrès de la technologie solaire peuvent tous aider les habitants des pays en développement à rester en meilleure santé et à avoir une vie de meilleure qualité. C'est-à-dire, si vous pouvez les localiser. Dans de nombreux endroits, les petites communautés sont réparties sur un terrain vaste et relativement inexploré. »

Cela a été développé par l'équipe World.AI de la société basée à Boston. L'équipe de Facebook avait des preuves que leurs cartes pouvaient atteindre leur objectif. Ils ont dit qu'au Malawi, les cartes Facebook ont ​​été utilisées pour informer une campagne contre la rougeole et la rubéole. La Croix-Rouge a pu déployer des volontaires locaux formés dans des zones spécifiques dans le besoin.

La technologie qui sert leur objectif est un mélange de techniques d'apprentissage automatique, images satellites haute résolution, et les données démographiques. (Ils ont écrit que les cartes satellites de ce projet « ont été générées à l'aide d'images satellites disponibles dans le commerce de DigitalGlobe, le même type d'images rendues disponibles via des services de cartographie accessibles au public. »)

Leur méthode consistait à cartographier "des centaines de millions de structures" réparties sur de vastes zones. Ils l'ont utilisé pour extrapoler la densité de population locale.

Un autre article de blog Facebook a décrit plus en détail le processus. "Pour l'Afrique seule, par exemple, le système a examiné 11,5 milliards d'images individuelles pour déterminer si elles contenaient une structure. Leur approche a permis de trouver environ 110 millions d'emplacements de structures en quelques jours seulement."

Pour expliquer comment l'IA a été déclenchée, un post de Karen Hao dans "Le téléchargement" de Examen de la technologie du MIT guidé les lecteurs.

"D'abord, une équipe du groupe World.AI de Facebook a dû former un réseau de neurones pour reconnaître si une parcelle de terrain dans une image satellite contenait une maison. Pour faire ça, les chercheurs ont créé un ensemble de données de formation en superposant plus de 100 millions de coordonnées de foyers provenant d'OpenStreetMap sur des images satellites. Ils ont également utilisé des astuces de vision par ordinateur à l'ancienne pour vérifier que les images étiquetées sans maisons ne contenaient aucun objet en forme de polygone révélateur. »

Les images satellites du continent africain ont été divisées en zones de 100 pieds sur 100 pieds. Ils ont utilisé le réseau de neurones pour créer un carte de densité de population à haute résolution.

Les blogs valent la peine d'être lus, avec certitude, non seulement pour découvrir ce qu'ils ont accompli, mais pour apprécier le grand défi qui assaille la cartographie de la population. C'est un défi, comme ils disaient, adapté à l'apprentissage en profondeur.

"Le recensement d'un pays montre combien de personnes vivent dans un secteur de recensement particulier, mais cela n'indique pas où les gens vivent dans ces parcelles - et parfois les parcelles englobent des centaines de kilomètres carrés. L'Afrique à elle seule compte 1,2 milliard d'habitants sur près de 16 millions de miles carrés; son plus grand secteur de recensement est de 150, 000 milles carrés avec 55, 000 personnes. Si les chercheurs savaient où se trouvaient les maisons ou autres bâtiments dans ces parcelles, ils pourraient créer des cartes de densité extrêmement précises en allouant la population proportionnellement à chacun. »

Donc, étant donné un "déséquilibre massif, " qu'ont-ils fait?

"La plupart des terres du monde ne contiennent pas de bâtiment, nous avons donc souvent eu affaire à des déséquilibres de classe négatifs à positifs de 100, 000-à-1. Nous avons utilisé une étape de prétraitement utilisant des techniques classiques de vision par ordinateur avec un rappel presque parfait (au prix d'une faible précision) pour éliminer la plupart des zones qui ne contenaient pas de bâtiment. Cela nous a laissé des parcelles candidates d'images satellite d'environ 30 x 30 mètres (64 x 64 pixels).

(Une légende dans le rapport explique que "Notre pipeline réserve d'abord des emplacements qui ne pourraient pas contenir un bâtiment. Ensuite, le réseau neuronal classe chaque emplacement restant en fonction de la probabilité qu'il contienne un bâtiment.")

Ils sont passés au défi suivant, ils ont écrit, et c'était classer quelles parcelles contenaient un bâtiment. "Bien que considérablement réduit par le prétraitement, le rapport des cases vides à celles avec des bâtiments était encore de 10 pour 1 voire 1, 000-à-1. Cela a créé un problème de classification binaire déséquilibré, et nous avons donc évalué nos résultats en utilisant le score F1, qui est la moyenne harmonique de la précision et du rappel."

« La résolution sans précédent, escalader, et la précision de nos offres les plus récentes devraient continuer à aider les efforts d'aide humanitaire et de développement dans le monde. »

L'équipe a mis l'ensemble de données à disposition pour téléchargement.

Prochaine étape :ils prévoient de publier des cartes de population haute résolution d'un plus grand nombre d'endroits dans les mois à venir. Le projet vise à continuer à ajouter de nouveaux continents et pays.

"Le téléchargement" faisait quant à lui référence à quelque chose appelé "Géographie profonde" et son résumé suggère un intérêt scientifique général pour l'extraction d'informations à partir d'images satellites à l'aide de l'apprentissage en profondeur. L'un des exemples dans le message était celui de Microsoft, qui l'année dernière "a formé un modèle d'apprentissage en profondeur pour créer un ensemble de données complet de toutes les empreintes de bâtiments aux États-Unis".

© 2019 Réseau Science X