李飛飛最新論文：深度學習結合谷歌街景介入社會調查

最近，李飛飛在一篇名為《Using Deep Learning and Google Street View to Estimate the Demographic Makeup of the US》的論文中分析了如何通過谷歌街景數據與機器學習演算法結合來測算地區人口的特徵與構成，這將為人口調查開闢一條新道路。

近年，大數據分析的方法已經滲透進了各行各業，包括勞動密集型的社會調查領域。據悉美國每年要花費10億美元和6500人以上的人員來執行人口調查工作。而大數據結合機器學習的介入可以有效地降低這一任務的成本，同時獲得更為詳實準確的分析結果。

在論文中，李飛飛描述了具體的操作流程，是採用了抽樣調查的方法。具體來說是分析了由谷歌街景汽車在200個城市裡搜集來的5000萬張圖片。而這其中主要是關於汽車的，因為90%的美國家庭都擁有至少一輛汽車，而且人們對汽車的選擇受到多種人口因素的影響，包括家庭需求、個人偏好和資金狀況等。

基於深度學習的CNN模型，不僅能夠在複雜的街景下識別出汽車，還能鑒定出一系列的汽車特徵，包括材質、型號和生產日期。該系統能夠將汽車分成2657類，而每張圖片的分析時間只需0.2秒。不僅如此，該系統可以在2周時間裡對這5000萬張圖片分類，而一個專業的人類分類員，假設他每張需要10秒時間，將會花費15年的時間完成這個任務。

分類結束後，根據城鎮名字將圖片劃分到兩個資料庫里。第一個是"訓練庫"，包含了所有名字以A、B、 C開頭的地區，這個資料庫包括了35個城市，訓練產生模型；第二個是「測試庫」，包括所有名字以D、Z為開頭的地區，這個資料庫用來提升模型。

這5000萬張圖片中總共有2200萬輛汽車的數據，約佔全美汽車總數8%，以此來估算某個地區的政治傾向問題的結果被證明十分有效。比如，如果在一個城市裡15分鐘的車程中遇到的轎車數量高於卡車數量，那麼這個城市在下屆大選中傾向於投票給民主黨（88%幾率）；反之則傾向於投票給共和黨（82%）。除此以外，包括收入、種族、教育等問題也都適用。