编辑按：本文为介绍 NVIDIA 2016 年度全球影响力大奖五名入围者的系列文章之一。NVIDIA 每年颁发 15 万美元给使用 NVIDIA 技术，在解决社会、人道与环境问题方面取得突破性进展的研究人员。
于 2030 年根除全球贫困是联合国去年年底发布的可持续发展议程的首要目标。然而，缺乏数据让衡量这一目标的进展工作劳而无功。
大多数极度贫困人口居住在撒哈拉以南非洲和南亚，在这些地区，准确的贫困数据极少。斯坦福大学的一个小团队正在改变这种情况，一次绘制一张卫星图像。
机器学习专家 Stefano Ermon 与食品安全专家 David Lobell 和 Marshall Burke 开展合作，将 Google Earth 图像转变为统计学贫困模型，参与其中的还有斯坦福大学工程系的一些学生。
“我们希望消除极度贫困，但我们需要一种方法来衡量工作是否取得进展”，斯坦福大学计算机科学系的助理教授 Ermon 说。
左：以细粒度 10km × 10km 街区级别衡量的预测贫困概率图。中：
以地区级别汇总的预测贫困概率图。右：用于比较的 2005
年调查结果（世界资源研究所 2009 年）。
利用 NVIDIA GPU，该团队训练一个神经网络，根据道路、农田和住宅等图像特征来准确预测撒哈拉以南非洲的贫困程度。
这项工作让斯坦福成为 NVIDIA 2016 年度全球影响力大奖的五名入围者之一。我们每年颁发 15 万美元给使用 NVIDIA 技术，在解决社会、人道与环境问题方面取得突破性进展的研究人员。
Ermon 说：“对于撒哈拉以南非洲的一些国家或地区，我们获得的最近数据还是 20 年以前的数据，因此我们还在根据早期的‘90 年代估值’进行推断。我们真的非常需要更准确的数据。”
传统的深度学习解决方案需要训练数据集来建立一个神经网络。由于针对卫星图像的训练数据极少，斯坦福团队使用了“迁移学习”这种方法，即向机器传授完成一项任务的技能，然后再迁移到另一种应用情形中。
首先，显示同一地区日间和夜间视图的卫星图像从 Google Earth 和 Google Images 中成对提取出来。传统的贫困成像模型使用照片中的夜间灯光强度作为经济发展程度的衡量指标。通过使用日间和夜间图像，该模型学会了如何从无标记的数据集（如道路、农田和水体）中识别与贫困关联的有用日间特征。
“我们提出了一个全序列卷积架构，它使用更少的参数即可处理更大的图像，我们可以利用 NVIDIA GPU 训练它更快地执行任务”，Ermon 说道。
左：每行针对神经网络中的不同过滤器显示五个最大程度激活的图像：市区、
农田和网格图案、道路、水、平原和森林。右：针对左侧的相应图像过滤激活图像。
来自 Google Static Maps 的图像。
该团队使用我们的 GeForce GTX TITAN X 和 Tesla K40 GPU 加速图像分析。在 GPU 加速库上训练最终模型只花了三天时间。
Ermon 说：“它的确很实用。如果没有 GPU，我们无法做到现在的成果。”
Ermon 和他的团队最近发表了一篇论文，介绍他们绘制乌干达贫困地图的研究方法。我们很快就会在 GitHub 上提供该团队的整个工作流程，包括下载图像、训练网络以及用它来做出预测。
他们目前正在将工作范围扩大到尼日利亚、马拉维和卢旺达的卫星图像。除了训练斯坦福团队的系统来处理来自乌干达的数据，该系统还可以准确预测其他国家或地区的贫困程度。Ermon 希望扩展该模型来绘制亚洲和南美地区的贫困地图，并且分析贫困随时间变化的情况。
“如今我们拥有这个平台，可以利用成本很低的数据自动生成这些分辨率极高的贫困地图，我们需要的只是图像”，他说。在更大的时间范围内，这一可扩展模型为贫困地图的绘制开辟了新的可能性。“我们对事情如何随空间和时间变化的理解，开始达到前所未有的程度。”
2016 年度全球影响力大奖的获奖者将在 4 月 4 日至 7 日于硅谷举办的GPU 技术大会上公布。
了解更多 2016 年度全球影响力大奖入围者
GPU 如何帮助眼外科医生在手术室里将视野范围扩大到 20/20
如何借助 GPU 根据海底地震的启示找到绘制安全结构图的新方法
了解上一年度 NVIDIA全球影响力大奖得主的研究成果。