使用每天拍摄的、带时间和地理位置数据的数十亿张影像，通过一个不需要人工标注的框架，构建了一个全球范围内的、动态的、可细粒度理解时空下视觉特征的地图，支持基于影像的地图创建、影像地理位置确认和元数据验证等多种应用。

Dec, 2020

本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。

Jun, 2020

通过自我监督学习方法，将地理空间活动时间序列转化成任务无关的时间嵌入表示，然后使用深度语义分割，将这些嵌入转换成用于下游任务的基于图像通道的表示，实现对住宅区和商业区等不同类型用地的分类。

Apr, 2023

通过使用自然语言提示词，我们介绍了统一的可提示全景映射（UPPM）方法，将动态标注策略与传统的全景映射技术相结合，实现实时、按需的标签生成，并在场景重建中表现出良好的适应性和多功能性。

May, 2024

地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法，基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域，然后通过压缩自编码器转换为与任务无关的时间嵌入，该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割，将像素级嵌入转换为类似图像的通道，可用于基于任务的异模态建模和下游地理空间任务的建模。实验证明，时间嵌入是时间序列数据的语义有意义的表示方法，并且在不同的任务中如分类住宅区和商业区等有着良好的效果。时间嵌入将时空运动轨迹数据转换为语义有意义的类似图像的张量表示，可以与其他数据模态（如 RBG 图像、道路网络的图嵌入、被动采集的 SAR 图像等）相结合进行多模态学习，从而促进地理空间计算机视觉中的多模态学习。多模态计算机视觉对于训练地理空间特征检测的机器学习模型以保持地理空间映射服务实时更新是至关重要的，可以显著提高用户体验和用户安全。

Oct, 2023

通过建立大规模标准数据集，我们希望能够为 AI 增强的制图应用提供有用的资源，包括地图文本注释识别、地图场景分类、地图超分辨率重建和地图风格转换等任务，以推动深度学习方法在复杂地图内容识别、模式识别和内容检索方面的最新技术发展。

Dec, 2023

使用 Data Maps 工具基于模型的训练动态量化和诊断数据集。实验结果表明，数据地图揭示了数据集中的模糊、易于学习和难以学习的区域，这些发现对于构建健壮的模型和提高分布外泛化能力非常重要。

Sep, 2020

提出了一种名为 MapNet 的深度神经网络，它将地图表示为一种数据驱动的方式，利用视觉里程计和 GPS 等常见的传感器数据来建立约束关系，从而提高相机定位的精确度和实现自监督式更新。在室内和室外数据集上进行的实验表明，该方法相较于之前的工作在性能上有了显著的提高。

Dec, 2017

本文提出了一种新的问题 —— 多时期地理位置之间的时间关系推理研究（Trial），提出了一个图学习方法（SEENet），其中包括空间演化图卷积模块（SEConv）和空间演化自监督学习策略（SE-SSL），并在四个真实数据集上进行试验，证明了我们的方法优于几种最先进的方法。

Jun, 2023

本文提出一种基于图像的定位方法，针对图像检索领域的发展，将大量的参考图像整理为一种可以满足导航系统要求的地标集合，并通过网络流问题的框架为紧凑的地图表示和准确的自我定位提供了可行方案。

Dec, 2018