編輯手札：此為介紹 NVIDIA 2016 全球影響力大獎五名決賽入圍者系列文章之一。NVIDIA 將頒發 15 萬美元給運用 NVIDIA 技術，在解決社會、人道與環境問題方面有突破性進展的研究人員。
2030年全球脫貧是聯合國在去年底公布之永續發展議程的首要目標，但在缺乏資料的情況下卻無法測量達到目標的進度為何。
全球最貧窮的人口多半居住在撒哈拉以南非洲及南亞地區，正確的相關數據卻付之闕如，而史丹佛大學的一支小研究團隊將一次透過一張衛星影像來改寫這個情況。
機器學習專家 Stefano Ermon 與糧食保障專家 David Lobell 及 Marshall Burke 合作，再加上多名史丹佛大學工程學系的學生協助下，將 Google Earth 的影像變成貧窮人口統計模型。
「我們想要結束極端貧窮的情況，但需要有方法來測量自己的進展到達什麼程度。」史丹佛大學電腦科學系助理教授 Ermon 說。
中：地區層面綜合預測貧戶概率。
右：用於比較的2005年調查結果（World Resources Institute 2009）。
研究團隊使用 NVIDIA GPU 訓練一套神經網路通過道路、農地和住宅等影像裡的特徵，精準預測撒哈拉以南非洲的貧窮程度。
這項成就使得史丹佛大學成為 NVIDIA 2016 全球影響力大獎五位決賽入圍者之一。NVIDIA 將頒發15萬美元給運用 NVIDIA 技術，在解決社會、人道與環境問題方面有突破性進展的研究人員。
Ermon 說：「我們手上擁有對撒哈拉以南非洲各國進行的最新貧窮調查結果，已經是20年前的資料，我們還在使用90年代初期的預估資料進行推算，的確非常需要更新的資料。」
傳統深度學習解決方案需要訓練資料組以建立神經網路，由於衛星影像能提供的訓練資料極為稀少，史丹佛大學的團隊採用遷移學習（transfer learning）技術，教導機器學習處理一項工作的技能，再搬到其它的應用項目上。
他們先從 Google Earth 和 Google Images 取得顯示同一區域日、夜間畫面的衛星影像，傳統貧戶影像模型使用照片裡的夜間燈光密度來判斷經濟發展程度。而模型透過日間和夜間的影像，學習從未標識的資料組內辨識與貧戶相關的日間特徵，例如道路、農地和水體。
「我們使用少量參數又能處理較大影像的完整卷積架構，並且使用NVIDIA 的GPU 來加快訓練它的速度。」Ermon 說。
右：針對左側相對應的影像啟動篩選器。
自 Google Static Maps 取得的影像。
研究團隊使用 NVIDIA GPU 訓練一套神經網路通過道路、農地和住宅等影像裡的特徵，精準預測撒哈拉以南非洲的貧窮程度。
研究團隊使用我們的 GeForce GTX TITAN X 及 Tesla K40 GPU 來加快分析影像的速度，而使用 GPU 加速元件庫來訓練最終的模型只花了三天的時間。
Ermon 說：「這對我們的幫助太大了，少了 GPU 我們根本做不到這個程度。」
Ermon 跟他的團隊日前在烏干達發表他們的貧戶地圖研究方法報告，並且很快就會在 GitHub 上提供從下載影像、訓練神經網路到用以進行預測的完整內容。
他們現將研究工作擴大到使用奈及利亞、馬拉威及盧安達三個國家的衛星影像，而史丹佛大學研究團隊的系統雖是使用烏干達的資料進行訓練，卻也能準確預測他國的貧窮程度。Ermon 希望能將模型擴大到預測亞洲和南美洲的貧窮程度，以及分析長度貧窮程度的變動情況。
「我們現在只要使用影像這種極為廉價的資料，這套平台便能自動產生高解析度的貧戶地圖。」他說。這套具擴充性的模型為長期繪製貧戶地圖開啟了新的可能性。「我們可以開始更深入瞭解事物隨著時間和空間變化的情況。」
4 月 4 – 7 日於矽谷舉行的 GPU 科技大會上將宣布 2016 年全球影響力大獎得主。
其他 2016 年全球影響力大獎提名者
全球影響力：GPU 如何協助眼部外科醫師在手術房裡擁有 1.0 的視力
全球影響力：海地大地震如何啟發運用 GPU 來測量結構安全的新方法
瞭解去年 NVIDIA 全球影響力大獎得主的不凡成就。