Gated-Attention Feature-Fusion Based Framework for Poverty Prediction

要約

この研究論文は、特に家計調査のような従来の手法が高価で頻度が高く、すぐに時代遅れになることが多い発展途上地域において、ディープラーニングを使用して貧困レベルを正確に推定するという重大な課題に取り組んでいます。
これらの問題に対処するために、私たちは、ゲート付きアテンション機能融合モジュール (GAFM) を組み込むことで ResNet50 モデルを拡張する、最先端の畳み込みニューラル ネットワーク (CNN) アーキテクチャを提案します。
私たちのアーキテクチャは、衛星画像からグローバルな特徴とローカルな特徴の両方を取得して結合するモデルの能力を向上させ、より正確な貧困推定につながるように設計されています。
このモデルは 75% の R2 スコアを達成し、貧困マッピングにおける既存の主要な手法を大幅に上回っています。
この改善は、最も関連性の高い特徴に焦点を当てて調整し、不要なデータを除外するモデルの能力によるもので、これによりモデルはリモート センシングと貧困推定のための強力なツールになります。

要約(オリジナル)

This research paper addresses the significant challenge of accurately estimating poverty levels using deep learning, particularly in developing regions where traditional methods like household surveys are often costly, infrequent, and quickly become outdated. To address these issues, we propose a state-of-the-art Convolutional Neural Network (CNN) architecture, extending the ResNet50 model by incorporating a Gated-Attention Feature-Fusion Module (GAFM). Our architecture is designed to improve the model’s ability to capture and combine both global and local features from satellite images, leading to more accurate poverty estimates. The model achieves a 75% R2 score, significantly outperforming existing leading methods in poverty mapping. This improvement is due to the model’s capacity to focus on and refine the most relevant features, filtering out unnecessary data, which makes it a powerful tool for remote sensing and poverty estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google