具有注意融合的城市区域表示学习
通过多视图表示学习,我们提出了一种区域化多视图表示学习(ROMER)方法,用于捕捉多视图依赖关系并学习表达性强的城市区域表示。我们的模型关注于从多源城市数据中学习城市区域表示,通过捕捉流动模式、兴趣点语义和签到动态等多视图相关性,采用全局图注意力网络学习图中任意两个顶点的相似度,并进一步提出了一个两阶段融合模块来综合考虑和共享多视图嵌入的特征。对真实世界数据集上的两个下游任务进行的大量实验证明,我们的模型性能优于现有方法,改进了最高达 17%。
Jul, 2023
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
基于自监督图协作过滤模型的城市区域嵌入,通过 GCNs 和多头注意力以及空间扰动增强和对抗训练,优化了区域嵌入的语义表示,实验结果表明该模型优于现有方法。
Feb, 2024
本文提出了一种名为多图融合网络(MGFN)的模型,通过人类移动数据的地理位置相似性融合模块,将人类移动数据的多种模式嵌入到该模型中,这有助于进行交叉领域的预测任务,如犯罪预测,并在实际城市数据集上进行了广泛的实验,结果表明,MGFN 模型优于现有技术方法,最大提高了 12.35%。
Jan, 2022
Geospatial embeddings are crucial for city analytics and earth monitoring, but learning comprehensive region representations is challenging; this paper introduces GeoHG, an effective heterogeneous graph structure, to learn region embeddings by addressing intra-region feature representation and inter-region dependencies, demonstrating superior performance in geo-prediction tasks even with limited training data.
May, 2024
本文提出一种新的轨迹表示联合学习的多模态融合模型 DouFu,它使用多模态学习和注意力融合模块来捕捉轨迹的内部特征,通过设计运动、路线和全局特征并分别使用注意力编码器或前馈网络,结合路线特征和运动特征创建更好的时空嵌入,最终生成每个轨迹的全面嵌入。实验结果表明,DouFu 在大多数学习算法中优于其他模型超过 10%。
May, 2022
该论文提出了一种基于层次化注意力融合网络和多尺度特征的 2D 图像检索方法,通过自监督训练控制特征强调的权重,实现了对地理定位场景的精确定位。实验结果表明,该方法优于现有的最先进方法。
Feb, 2021
本文介绍了一种创新的方法 —— 自适应特征融合(AFF),可以通过动态地调整特征表示的融合过程来增强深度学习模型的泛化能力。研究表明,使用 AFF 方法可以提高模型性能,并在多个基准数据集上进行了广泛的实验验证。该文还探讨了 AFF 方法的实际应用,并指出未来的研究方向。
Apr, 2023
本文提出了一种基于区域的特征强化网络 (REFL-Net),将点云表示为区域来减少计算压力,并设计了以区域为基础的特征强化模块 (RFE) 来提高模糊点的特征表示,实现了强大的长程上下文建模和领域泛化能力。实验结果显示,REFL-Net 在 ScanNetv2 和 S3DIS 数据集上均达到了显著的增益。
Apr, 2023
本文提出了一种多路径编码器结构来提取多路径输入的特征,多路径注意力融合块模块来融合多路径特征,以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时,提出了一种新的卷积神经网络架构,名为注意力融合网络 (AFNet)。基于该 AFNet,在 ISPRS Vaihingen 2D 数据集上达到了 91.7% 的整体精度和 90.96% 的平均 F1 分数,在 ISPRS Potsdam 2D 数据集上达到了 92.1% 的整体精度和 93.44% 的平均 F1 分数,取得了最先进的性能。
May, 2021