DeepMove: 通过大规模运动数据学习地点表示
该研究通过训练两个卷积神经网络 (CNN) 架构来实现特定位置识别任务,并采用多尺度特征编码方法生成具备不变性的特征。通过建立具有变化外观的特定场所数据集 (SPED),该研究综合评估了所训练的网络,并证明相对于其他场所识别算法和预训练的 CNN,其性能平均提升了 10%。
Jan, 2017
通过引入三种新方法,我们将全身运动形式化为动态系统的状态空间模型,利用深度学习和统计算法估计参数。这些表示遵循手势操作模型(GOM)的结构,描述了通过时空假设的运动。这些方法用于人类运动的精确生成和专业运动的身体灵活性分析。
Apr, 2023
通过深度想象技术,结合视觉马尔可夫 + 深度学习算法,在单次访问之后就能够模拟新环境,使用密集特征提取的深度 Siamese 完全卷积 U-Net 构建嵌入式地图,不需要额外的训练或微调来适应新环境,达到定位的目的。
Nov, 2018
DeepWalk 是一种用于学习连续向量空间中网络节点的潜在表示的新颖方法,它将图中的节点用随机游走表示为句子,进行类比于词的无监督特征学习,适用于社交网络等多标签网络分类任务中表现优异,适用于各种实际应用中的网络分类和异常检测。
Mar, 2014
提出了一个名为 Space2Vec 的表示学习模型,用于将地点的绝对位置和空间关系进行编码,并在地理数据和图像分类两个任务上得到了比径向基函数和多层前馈神经网络等传统机器学习方法更好的效果,其特点是具有多尺度表示能力。
Feb, 2020
本论文描述了一个 10 百万场景照片的库,利用卷积神经网络进行图像场景分类,具有高覆盖率和高多样性的实例,为解决目前难以解决的视觉识别问题提供了生态系统。
Oct, 2016
通过提出一种方法,利用和观测数据点的局部密度有关的空间层次信息生成细粒度的地点嵌入,解决了降低空间分辨率时数据稀疏性导致嵌入质量下降的问题。通过使用日本 3 个城市的真实世界轨迹数据进行下一个地点预测任务,比较了我们的细粒度地点嵌入与基准方法的有效性。此外,我们展示了我们的细粒度地点嵌入在土地利用分类应用中的价值。我们认为,将空间分层信息纳入其中可以补充和加强各种地点嵌入生成方法。
Feb, 2020
我们展示了一种虚拟现实工具,利用手势和运动自动将数据输入分配到不同类别,实现了深度神经网络在透明度方面的可视化和加速了最终用户开发深度学习应用的过程。
May, 2023
通过自动提取文本信息来感知运动现象具有挑战性。本文介绍了 GeoMovement,该系统基于结合机器学习和基于规则的运动相关信息抽取,并使用先进的可视化技术。GeoMovement 提供了一种集成框架,可以同时提取运动和缺乏运动,为人们提供了有意义的地理运动信息。
Mar, 2022