城市计算是一门关键学科，通过整合来自不同领域和模式（如时空、视觉和文本模式）的多源（如地理、交通、社交媒体和环境数据）跨领域数据融合，可为可持续发展提供支持。最近，我们观察到在智能城市中利用各种深度学习方法促进跨领域数据融合的趋势逐渐增长。为此，我们提出了第一份系统综述，对专为城市计算定制的基于深度学习的数据融合方法的最新进展进行了系统回顾。与以往综述相比，我们更关注深度学习方法与城市计算应用之间的协同作用。此外，我们还展望了大型语言模型（LLMs）与城市计算之间的相互影响，并提出了可能会改变该领域的未来研究方向。我们坚信，我们的综述所勾勒出的分类系统、进展情况和前景将会显著丰富研究社区。

Feb, 2024

使用多模态语言 - 视觉架构的新颖标题匹配方法能够在跨域图像检索中实现最先进的性能表现，尤其在与人工智能生成的图像一起进行测试时。

Mar, 2024

在跨领域检索中，我们提出了一种简单的解决方案，通过图像之间的保留类别的翻译，在不共享训练数据的情况下生成合成数据，从而提高跨领域检索模型的准确性。

Dec, 2023

本文提出了一个名为 DualCross 的跨模态跨领域自适应框架，以便从 LiDAR 数据中转移点云知识，使得单目鸟瞰感知模型更具鲁棒性，进而在不同的领域和传感器输入情况下进行测试，从而解决单一主题的一些瓶颈问题，取得了与各种基线的最新成果相比的最新成果。

May, 2023

为了解决跨城市遥感影像的研究难题，本研究构建了一个新的多模态遥感基准数据集并提出了一种高分辨率领域自适应网络，通过对比其他方法在语义分割任务上的表现，证明了这种方法在分割性能和泛化能力上的优越性。

Sep, 2023

本文首次引入了 “通用无监督跨领域检索（U^2CDR）” 问题，并设计了一个两阶段的语义特征学习框架来解决该问题。在第一阶段，通过实例 - 原型 - 混合对比损失和语义增强损失，在域间保持一个跨领域统一的原型结构以应对类别空间差异。在第二阶段，通过修改的对抗训练机制，在领域对齐过程中保持已建立的原型结构的最小变化，从而实现更准确的最近邻搜索。对多个数据集和场景进行了广泛实验，包括闭集、部分集和开集 CDR，结果表明我们的方法在解决 U^2CDR 挑战方面显著优于现有最先进的 CDR 方法以及其他主题中一些潜在有效的研究。

Mar, 2024

本文探讨了如何设计系统来增强终端用户的跨领域探索能力，并开发了一种探索性搜索系统，其中终端用户可以从论文摘要的核心部分中选择感兴趣的内容，并检索与用户选择的核心方面高度相似但在领域方面不同的论文，进一步地帮助用户了解领域集群中的微妙差异，我们通过与科学家的案例研究发现了系统旨在促进跨领域探索和灵感的机会和设计影响。

Jun, 2022

探讨了面向跨域视觉搜索的开放式设定，在公共语义空间中搜索实现在任何领域中进行搜索以及在多个领域之间进行搜索，向各个可用视觉领域的每一个领域的映射以通过分类样本进行搜索的方法，能够提供与现有半封闭设定相媲美的结果。

Nov, 2019

本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。

Apr, 2022

本文提出了一种序列到序列的注意力重点改进的方法，用于跨域语义分析的域间适应问题，并且对预先训练的词嵌入进行了标准化，这种方法在 Overnight 数据集上有显着的改进。

Apr, 2017