Nov, 2023

空间结构如何影响心理恢复？一种基于图神经网络和街景图像的方法

PDF
TL;DR利用空间相关的图神经网络 (GNNs) 方法构建了视角不同的两种图来研究城市尺度上的空间结构和恢复质量的关系，结果表明：1) 空间相关的 GNNs 模型优于传统方法；2) 通过顺序街景图像 (SVIs) 数据揭示了空间结构对恢复质量的显著影响；3) 恢复质量相同的空间展现了不同的空间结构模式。该研究阐明了空间结构与恢复质量之间的关联，为未来改善城市幸福感提供了新的视角。
attention restoration theoryrestoration qualityspatial structuregraph neural networksurban well-being
发现论文，激发创造
  • 自动化时空图对比学习

    本文介绍了一种 Automated Spatio-Temporal graph contrastive learning（AutoST）的方法，在考虑到多视图数据源的情况下，结合异构图神经架构，通过参数化的对比视图生成器来设计自动的时空增强方案，以解决数据噪声、分布异质性等问题，并进行对比实验以验证其效果。

    May, 2023

  • 利用图神经网络量化城市道路网络的空间均匀性

    本文提出了基于图形机器学习的方法来量化城市道路网络（URNs）中子网络的空间同质性，并发现在城市内和跨城市的空间同质性与社会经济地位以及跨城市的城市网络结构相似性高度关联。

    Jan, 2021

  • 使用图注意力网络进行图像美感评估

    本文提出了一种基于图神经网络的两阶段框架，通过图形神经网络捕捉视觉注意力，使得美学视觉分析中原始的长宽比和空间布局等特征得以保留，进一步提高了美学得分回归的精度。

    Jun, 2022

  • 本地化自适应时空图神经网络

    本研究针对自适应时空图神经网络 (ASTGNNs) 进行局部化，提出了一种名为自适应图稀疏化（AGS）的图稀疏化算法。实验表明，通过 AGS 进行稀疏化，ASTGNNs 的空间图可以被稀疏化超过 99.5％，而准确性不会有太大下降。因此，研究者得出以下结论：在测试的数据中，时空依赖性所提供的信息主要包含在时间依赖性所提供的信息中，因此在推理过程中可以忽略；尽管空间依赖性提供冗余信息，但对于 ASTGNNs 的有效训练至关重要，因此不能在训练过程中忽略它们。局地性的实现有可能减少在大规模时空数据上所需的计算的开销，从而进一步支持 ASTGNNs 的分布式部署。

    Jun, 2023

  • 利用人工智能发现的街景模式可视化路线

    街道级视觉外观、地理可视化界面、语义潜在向量、空间图像模式和驾驶路径规划器是这篇论文的关键词。该论文研究了将街道级视觉外观整合到地理可视化界面（例如地图服务）以规划驾驶路径的新型可视化任务，并提出了多项新的贡献，并通过 VivaRoutes 交互式可视化原型展示了这些发现模式如何帮助用户有效和交互地探索多条路径，并通过用户研究评估了 VivaRoutes 的实用性和效用。

    Mar, 2024

  • RESTORE: 通过重构进行图嵌入评估

    通过图重构提出了一种用于内在图嵌入评估的框架，并分析了不同家族的图嵌入方法在保留拓扑结构和语义信息方面的效果，结果显示基于深度学习的图嵌入算法在拓扑重构方面更具优势，而基于分解的算法在概括语义信息方面较好，这些图嵌入方法的表现仍然有待进一步的研究。

    Aug, 2023

  • 利用失真引导网络的空间自适应图像恢复

    本文提出了一种基于补偿放射变形的图像复原方法 SPAIR，该方法结合了损失定位信息和恰当的稀疏卷积，实现了对多种不同空间退化模型的适用，并且在多项实验中均取得了良好的表现。

    Aug, 2021

  • 基于时空扩展图神经网络的人类移动仿真

    本研究提出了一种新的框架，即 SpatioTemporal-Augmented gRaph 神经网络（STAR），以建模地点的动态时空影响和优化人类移动轨迹的生成过程，结果优于现有最先进的方法。

    Jun, 2023

  • SST-GNN: 基于图神经网络的简化时空交通预测模型

    本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

    Mar, 2021

  • 基于图神经网络和结构化状态空间模型的多元信号时空建模

    提出了一种基于图的神经网络模型 GraphS4mer，用于对多变量信号进行时空建模，通过学习动态演化的图结构来捕捉数据中的空间和时间相关性，并在三个不同的任务中测试，发现相较于其它模型，GraphS4mer 有着更优的性能表现。

    Nov, 2022