提出了一种新的主动学习方法，通过使用针对大规模弱监督群体收集的观测数据进行训练的模型，以有效估计物种的地理分布范围。通过使用转移学习的空间表示，我们的方法在物种范围估计中超越了其他主动学习方法，并接近端到端训练模型的性能，突显了主动学习和利用新兴大规模众包数据集的价值。

Nov, 2023

利用全球范围的仅有存在数据，我们解决物种分布建模问题。通过使用大规模语言模型对物种的分类学阶层进行编码，我们能够捕捉物种之间更强的隐式关系，并对任意分类水平和未知物种进行范围映射，而不需要额外监督。此外，我们提出了一种新颖的基于接近度的评估度量，能够使用任何像素级物种分布图的表示方式来评估物种分布模型。所提出的度量标准惩罚模型根据其与实际情况的接近程度对预测结果进行评估。通过在物种范围预测、零 - shot 预测和地理特征回归等任务上进行系统评估，我们论述了我们模型的有效性。结果显示，我们的模型在使用各种多标签学习损失进行训练时优于强基准模型。

Dec, 2023

本文提出了一种使用基于 Octree 的结构并采用神经网络处理隐式特征进行 LiDAR 测量的大规模三维重建方法，并利用二进制交叉熵损失来优化局部特征。在此基础上，设计出一种具有正则化性能的增量式映射系统，以解决连续学习中遗忘问题。实验结果显示，本方法相较其他先进技术具有更高的精确性、完成度和内存效率。

Oct, 2022

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

地理空间特征表示对于集成地理定位数据的任何机器学习模型都是至关重要的，本研究提出了一种新的全球分布地理数据的位置编码器，结合球面调和基函数和正弦网络表示网络 (SirenNets)，以学习双傅立叶球嵌入。

Oct, 2023

人工智能的进展受到训练模型使用的数据集中的偏见的挑战。在图像地理定位估计中，模型通常使用特定地理区域（尤其是西方世界）的数据进行训练，因此他们可能难以理解未被充分代表的地区的复杂性。为了评估这个问题，我们使用最先进的图像地理定位估计模型（ISNs）对来自非洲大陆的众包地理定位图像数据集（SCA100）进行应用，并探讨模型预测中潜在的地区和社会经济偏见。我们的研究结果显示，ISNs 模型倾向于对西方富裕国家的图像位置进行过度预测，这与其训练数据集 IM2GPS3k 的地理分布一致。因此，与 IM2GPS3k 基准相比，ISNs 模型的准确性在各个尺度上显著降低。此外，我们基于 ISNs 模型对 SCA100 数据集中的图像进行了聚类，展示了模型在准确预测低收入地区图像位置方面的困难，尤其在撒哈拉以南非洲地区。因此，我们的研究结果表明，在图像地理定位估计和其他计算机视觉模型中，使用 IM2GPS3k 作为训练集和基准忽视了其在非洲背景下的潜在应用。

Apr, 2024

通过改进范围分析技术，我们能够更准确地估计价值范围，从而更准确地识别等值面单元并在 INR 上实现更高效的等值面提取。

Feb, 2024

提出了一种新颖的基于空间知识的分层学习（SKI-HL）框架，该框架采用多分辨率层次结构迭代地推断样本标签，并在具有不确定性感知的多实例学习中训练神经网络参数。实验证明，该模型在真实世界的洪水图像数据集上优于几种基准方法。

Dec, 2023

研究了在非欧几里得域中学习隐式神经表征（INRs）的问题，介绍了一种利用图的谱嵌入来近似节点位置，并在各种真实世界的非欧几里得域的信号上进行了实验。

May, 2022

该研究论文提出了一种能够通过基于坐标的子网络来构建神经隐式词典 (NID) 并代表内在神经表征的框架，通过优化结果能够更快地重建 2D/3D 图像并解决遮挡问题。

Jul, 2022