We propose a generalizable framework for the population estimation of dense, informal settlements in low-income urban areas--so called 'slums'--using high-resolution satellite imagery. Precise population estimates are a crucial factor for efficient resource allocations by government authorities and NGO's, for instance in medical emergencies. We utilize equitable ground-truth data, which is gathered in collaboration with local communities: Through training and community mapping, the local population contributes their unique domain knowledge, while also maintaining agency over their data. This practice allows us to avoid carrying forward potential biases into the modeling pipeline, which might arise from a less rigorous ground-truthing approach. We contextualize our approach in respect to the ongoing discussion within the machine learning community, aiming to make real-world machine learning applications more inclusive, fair and accountable. Because of the resource intensive ground-truth generation process, our training data is limited. We propose a gridded population estimation model, enabling flexible and customizable spatial resolutions. We test our pipeline on three experimental site in Nigeria, utilizing pre-trained and fine-tune vision networks to overcome data sparsity. Our findings highlight the difficulties of transferring common benchmark models to real-world tasks. We discuss this and propose steps forward.

中文翻译：

---

使用高分辨率卫星图像和公平地面实况绘制非正式定居点的人口图

我们提出了一个通用框架，用于使用高分辨率卫星图像对低收入城市地区（所谓的“贫民窟”）中密集的非正式住区进行人口估计。精确的人口估计是政府当局和非政府组织有效分配资源的关键因素，例如在医疗紧急情况下。我们利用与当地社区合作收集的公平地面实况数据：通过培训和社区测绘，当地居民贡献其独特的领域知识，同时保持对其数据的代理权。这种做法使我们能够避免将潜在偏差带入建模管道，这可能是由于不太严格的地面实况方法引起的。我们将我们的方法与机器学习社区内正在进行的讨论相关联，旨在使现实世界的机器学习应用程序更具包容性、公平性和问责性。由于资源密集型地面实况生成过程，我们的训练数据是有限的。我们提出了一个网格化的人口估计模型，可以实现灵活和可定制的空间分辨率。我们在尼日利亚的三个实验地点测试我们的管道，利用预先训练和微调的视觉网络来克服数据稀疏性。我们的发现突出了将通用基准模型转移到现实世界任务的困难。我们对此进行了讨论并提出了前进的步骤。我们的训练数据是有限的。我们提出了一个网格化的人口估计模型，可以实现灵活和可定制的空间分辨率。我们在尼日利亚的三个实验地点测试我们的管道，利用预先训练和微调的视觉网络来克服数据稀疏性。我们的发现突出了将通用基准模型转移到现实世界任务的困难。我们对此进行了讨论并提出了前进的步骤。我们的训练数据是有限的。我们提出了一个网格化的人口估计模型，可以实现灵活和可定制的空间分辨率。我们在尼日利亚的三个实验地点测试我们的管道，利用预先训练和微调的视觉网络来克服数据稀疏性。我们的发现突出了将通用基准模型转移到现实世界任务的困难。我们对此进行了讨论并提出了前进的步骤。