Oct, 2016

利用卫星图像预测房价：超越空间自回归模型

PDF
TL;DR本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性，使用卫星图像中嵌入的邻域信息实现所需的空间平滑，并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上，使用深度神经 网络的特征，相较于空间自回归基线，数据估计精度提高了 57％。
发现论文，激发创造
  • 空间自回归模型的迁移学习

    本文提出了一种新的转移学习框架，借助相似的源数据改善空间自相关模型的估计和预测精度，包括一个转移阶段和一个去偏阶段的两阶段算法用于估计未知参数，并建立了相应估计器的理论收敛速度；如果不知道哪些源数据需要转移，提出了一种基于空间残差自助法的可转移源数据检测算法以保留必要的空间依赖性，并得出了其检测一致性。通过仿真实验表明，使用具有信息的源数据，该转移学习算法显著提高了经典的两阶段最小二乘估计器的性能。在实证应用中，我们将该方法应用于 2020 年美国总统选举中摇摆州的选举预测，利用 2016 年美国总统选举的民意调查数据以及其他人口和地理数据。实证结果表明我们的方法优于传统估计方法。

    May, 2024

  • 图神经推荐的空间自回归编码

    本文提出了一种名为 SAC 的新型框架，它采用了一种新的空间自回归范式来充分利用邻居的接近性和高阶信息，同时还提出了邻居信息瓶颈来学习目标节点到邻居的预测任务的最小充分表示，并消除邻居的冗余，实验结果表明，在公共推荐数据集和某真实情境下的大型数据集 Douyin-Friend-Recommendation 上，SAC 方法优于现有的最先进的方法。

    May, 2022

  • 大规模掩码自编码减少合成孔径雷达数据的标签要求

    利用遥感卫星监测和缓解人为气候变化的影响在关键的干预和政策决策方面有着重要作用。合成孔径雷达 (SAR) 提供了一种强大的光学数据替代方案，通过自监督预训练方法在预测植被覆盖和土地分类关键任务上减少了标记数据需求，从而大大推进了气候变化监测的发展。

    Oct, 2023

  • 近距离和远程感知的统一模型

    本文提出了一种新型卷积神经网络架构，用于估计地理空间函数，并使用各种标签创建了一个大型数据集进行评估。

    Aug, 2017

  • 地理空间数据的神经网络

    本文提出一种新的神经网络估计算法 NN-GLS，利用广义最小二乘（GLS）明确地考虑了空间协方差，从而实现非线性均值，并使用克里金法对新位置进行预测。 作者证明了 NN-GLS 对于不规则的空间相关数据过程是一致的，同时将该算法演示在模拟和实际数据集中。

    Apr, 2023

  • 利用储水池计算通过空间相关性预测远距离地区的未观测气候时间序列数据

    通过两种预测方法（储水层计算和向量自回归模型）研究了远程地点的气候要素的低成本和准确预测，发现预测精度随观测地点与目标地点之间的距离降低而下降，机器学习方法可以更有效地预测远程地点的气候要素。

    Jun, 2024

  • 用于分析全球环境数据的时空多分辨率逼近

    本文提出了一种针对全球数据的时空建模扩展方法，将多分辨率逼近（MRA）方法与分区及复杂协方差模型拟合相结合，实现了可扩展的计算性能和灵活的协方差模型，为分析全球性数据提供了实用的策略。

    Jun, 2020

  • 学习空间感知回归用于视觉跟踪

    本文基于深度特征，提出了两种补充回归方法用于鲁棒视觉跟踪，包括核化岭回归和全卷积神经网络，最终将这两种方法的输出结合起来提高跟踪结果的准确率。

    Jun, 2017

  • 基于图的 SAR 数据半监督分类主动学习

    使用基于图的学习和神经网络方法的结合体进行 SAR 数据分类，该方法可以在无需标记数据的情况下实现费用效益高的主动学习，并在需要 ATR 的应用中显示良好的推广性能。

    Mar, 2022

  • 基于知识引导的预测架构的 SAR ATR 自监督学习

    通过使用本文提出的具有知识引导预测架构，通过预测未见上下文的多尺度 SAR 特征表示，将传统 SAR 领域特征提取与最先进的可扩展自监督学习相结合，以准确的广义特征表示进行 SAR 目标识别，这一方法在各种下游数据集上验证成功，并在 SAR 目标识别中实现了一致的性能提升。

    Nov, 2023