Sphere2Vec：一个通用的球面位置表示学习模型，用于大规模地理空间预测

MMJun, 2023

Sphere2Vec：一个通用的球面位置表示学习模型，用于大规模地理空间预测

Sphere2Vec: A General-Purpose Location Representation Learning over a Spherical Surface for Large-Scale Geospatial Predictions

PDF

Gengchen Mai, Yao Xuan, Wenyun Zuo, Yutong He, Jiaming Song...

TL;DR该研究提出了一种名为 Sphere2Vec 的多尺度位置编码器，可在编码球面上点坐标时保留球面距离，与现有编码方案相比具有更优异的分类效果。

Abstract

Generating learning-friendly representations for points in space is a fundamental and long-standing problem in ML. Recently, multi-scale encoding schemes (such as Space2Vec and NeRF) were proposed to directly encode any point in 2D/3D Euclidean space as a high-dimensional vector, and has been successfully applied to various geospatial prediction and generati

multi-scale encoding schemes distance metric learning spherical surface sphere2vec geo-aware image classification

发现论文，激发创造

Sphere2Vec: 多尺度球面表示学习，用于地理空间预测

提出了一种新的多尺度定位编码模型 Sphere2Vec，可以直接编码球形表面上的点坐标，避免地图投影扭曲问题。通过应用于地理感知图像分类任务的实验，证明了该模型在极地和数据稀疏区域的图像分类任务中性能优于其他二维定位编码模型。

Jan, 2022

利用网格细胞进行空间特征分布的多尺度表示学习

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

用球谐和正弦表示网络进行地理位置编码

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

Tile2Vec: 面向分布式空间数据的无监督表示学习

Tile2Vec 是一种无监督的表示学习算法，旨在为地理空间分布数据提供类似于自然语言处理中词向量表示和预训练网络的方法，通过学习分布假设将相似空间数据转换为语义上有意义的向量表示，并演示了其在下游分类任务中的显著表现提升。

May, 2018

TorchSpatial: 空间表示学习的位置编码框架和基准

Spatial representation learning (SRL) is addressed with the proposed TorchSpatial framework, which includes a unified location encoding framework, benchmark tasks, and evaluation metrics, aiming to support SRL model development, reproducibility, and spatial fairness in GeoAI research.

Jun, 2024

graph2vec：学习图的分布式表示

本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。

Jul, 2017

双曲图像嵌入

本研究表明，对于许多实际场景，使用双曲嵌入提供了更好的选择，而欧几里得和球面嵌入则主导着计算机视觉任务，如图像分类、图像检索和少样本学习。

Apr, 2019

基于多图表示学习框架的城市区域剖析

提出了一种名为 Region2Vec 的多图表示学习框架，用于城市区域分析，可以捕捉地理上下文信号和区域间的联系，同时用于表示区域内部信息的知识图谱。使用编码器 - 解码器多图融合模块来联合学习综合表示。在现实世界数据集上的实验证明，Region2Vec 可以在三个应用程序中使用，并优于所有其他基线。特别地，Region2Vec 在具有高方差社会经济属性的区域中的表现优于先前的研究。

Feb, 2022

点云补全的超球嵌入

本研究提出使用超球形嵌入来优化点云补全问题中的编码器 - 解码器模型，通过对编码器中提取的特征进行转换和归一化，使得嵌入的分布更加紧凑，从而提高了训练的稳定性和泛化性能，并在单任务和多任务学习中实现了更好的补全效果。

Jul, 2023

Series2Vec: 基于相似性的自我监督时间序列分类表示学习

时间序列分析与视觉或自然语言处理在定义有意义的自监督学习任务方面具有根本的区别。为了解决这个问题，我们引入了一种称为 Series2Vec 的自监督表示学习的创新方法，通过自监督任务在时间和频谱域中对两个序列之间的相似性进行预测，而不是基于手工数据增强的自监督方法。我们的实验证明，Series2Vec 在大规模真实世界数据集和 UCR/UEA 存档上的表现优于当前最先进的自监督技术，同时在有限标记数据集上具有高效性。此外，我们将 Series2Vec 与其他表示学习模型进行融合，可以提高时间序列分类的性能。

Dec, 2023