事实证明，深度学习算法是解决各种现实问题的有前途的工具，尤其是那些需要分析大量数据的问题。实际上，与其他计算技术相比，这些算法可以简单地通过处理与其设计要完成的任务相关的数据来学习做出高度准确的预测。

里昂高等师范学院(ENS)和中欧大学(CEU)的研究人员最近开发了一个深度神经网络，可用于研究城市化可能引起的社会经济不平等。他们的研究以《自然机器智能》为特色，证实了卷积神经网络(CNN)对地理区域进行深入分析的潜力。

多年来，有效跟踪城市化进程是相当艰巨的任务，而城市化进程是城市规模日益扩大和人口稠密的过程。然而，日益先进的遥感和卫星技术的发展为观察特定地理区域以及与城市化有关的研究开辟了新的令人兴奋的可能性。在他们的研究中，研究人员ENS Lyon和CEU尝试使用深度学习算法来分析由这些工具收集的图像。

研究人员Jacob Levy Abitbol和Marton Karsai说：“我们的最初目标实际上是检查可以使我们的算法(即根据其卫星图像预测某个区域的平均收入)的最佳空间分辨率是什么。”进行这项研究的人士告诉TechXplore。“一旦这样做，我们就开始怀疑我们的基础深度学习模型在预测不同城市的收入时是否使用了相似的功能，以及该模型所使用的功能是否与我们认为与收入相关。”

Abitbol和Karsai对法国城市地区的航拍图像进行了CNN培训，并评估了其预测这些地区居民的社会经济地位的能力。出乎意料的是，当他们开始测试其算法时，他们发现该算法是由通常与收入或社会经济地位没有最强关联的城市特征激活的。

在过去的几年中，使用CNN预测基于卫星图像的地理区域的收入已变得相当普遍。但是，为了做出准确的预测，应该对这些模型进行大量数据的训练，包括感兴趣区域的卫星图像和与这些区域相关的收入相关信息。

Abitbol和Karsai说。“事实证明，为了使模型能够做到这一点，理想情况下需要将其推广(例如，如果我们在A区域训练我们的模型，它应该在B区域产生一致的结果)并且是可理解的(即，我们需要知道模型用来推断开发数据正确的信号)。”

现有的大多数深度学习技术都可以根据航空卫星图像推断特定区域内人们的平均收入，但不能解释其预测背后的确切过程。另一方面，Abitbol和Karsai试图解释其模型的预测，以便更好地理解为什么它为所分析的每幅图像推断出特定的收入。

Abitbol和Karsai说：“当我们开始进行这个项目时，一些组织正在尝试将类似的模型推向市场(即，将其应用于缺乏社会经济数据来估计其发展的国家)。” “总体的基本思路是，这些模型使用与收入密切相关的特征来进行预测。我们的工作表明，情况远非如此，我们需要更深入地了解这些CNN如何将视觉特征整合到预测中充分利用它们。”

研究人员在法国不同城市地区收集的卫星数据上测试了CNN，发现其取得了良好的效果。但是，他们发现其预测是基于通常与收入无关的城市特征。例如，由于公共场所或商业场所的灯光明亮，富裕的城市地区通常在晚上或晚上具有较强的照明强度，但是Abitbol和Karsai发现他们的模型主要关注其他功能，因此优先考虑居民区。

尽管CNN已显示出收集有关地理区域的社会经济信息的潜力，但该研究小组进行的研究表明，其预测背后的过程可能不可靠，因此应进行进一步调查。因此，在将来，他们的工作可能会激发模型的开发，这些模型可以解释其预测所基于的功能，从而使它们可以适应于更有效和可靠地执行。

Abitbol和Karsai表示：“我们非常有兴趣了解模型的预测以及随后的解释会根据代理商的行为在多大程度上发生变化，该代理商的行为旨在为我们的模型提供给定区域的最佳视图，并告知其预测。”说过。“我们感兴趣的另一个潜在方向涉及识别一般视觉模式，这些模式表征某些收入类别的预测，以确定我们可以在不同地区之间转移经过训练的模型并获得高精度的社会经济预测的程度。”

标签： 深度学习