Jun, 2024

利用地理第三定律进行道路网络表示学习

PDF
TL;DR通过使用地理配置感知的图增强和谱负采样的新型图对比学习框架，本文提出了一种将道路网络表示赋予地理第三定律的方法，以实现道路段具有类似地理配置的段生成类似表示，以及相反情况下的对齐。该框架通过双对比学习目标有效平衡了第一定律和第三定律的影响，实现了第一定律和第三定律的结合。在两个真实世界数据集上进行了三个下游任务的评估，结果显示第三定律的融合显著改善了道路段表示在下游任务中的性能。
road network representation learninglimitationsfirst law of geographythird law of geographygraph contrastive learning framework
发现论文，激发创造
  • 道路网络和轨迹上的联合对比表示学习

    本文提出了一个统一的框架，终端联合学习道路网络和路径表示。通过为道路对比和路径对比设计领域特定的增强算法，以及介绍道路 - 路径跨尺度对比来建立两个尺度之间的联系，实现了相互信息的最大化。实验表明，这种方法能够提高道路网络和路径表示的总体性能和效果。

    Sep, 2022

  • 道路网络表示学习：基于双图的方法

    本文提出了一个基于超图的图神经网络模型 HyperRoad 用于道路网络表示学习。此模型通过构建超图捕捉道路网络中的高阶联系，并利用图重建、超图重建和超边分类任务去学习结构信息和长距离联系。

    Apr, 2023

  • highway2vec -- 基于道路网络特征表示 OpenStreetMap 微区域

    本文提出了一种基于 OpenStreetMap 道路网络的微区域嵌入生成方法，并使用 H3 空间索引进行可重现和可扩展的表示学习，获得了检测地图六边形在其中包含的道路网络相似度的向量表示，并且通过堆叠聚类方法、得出了嵌入的高级分类方法，这将有助于解决基于基础设施的预测任务，特别是在空间变量方面。

    Apr, 2023

  • 交通场景的深层表示学习与聚类

    本研究提出了两种数据驱动的自动编码模型来学习车辆交通场景的潜在表示，并显示了如何使用潜在场景嵌入来聚类交通情况并检索相似交通情况。

    Jul, 2020

  • 通过连接性和分割的联合学习进行道路网络的细粒度提取

    本研究提出了一个堆叠多任务网络，在保持连通性正确性的同时，端到端地分割道路。在网络中，引入了全局感知模块来增强像素级道路特征表示并消除空中图像的干扰背景；增加了与道路方向相关的连通性任务，以确保网络保持道路片段的图级关系。我们还开发了一种堆叠多头结构，以共同学习和有效利用连通性学习和分割学习之间的相互信息。我们在三个公共遥感数据集上评估了所提出网络的性能。实验结果表明，该网络在道路分割准确性和连通性维护方面优于现有方法。

    Dec, 2023

  • 交通场景相似度：基于图形对比学习的方法

    通过使用图形来构建一个有意义的嵌入空间，我们的方法展示了场景的连续映射以及基于嵌入结果形成主题相似群集，从而在后续测试过程中识别相似场景，从而减少冗余测试运行。

    Sep, 2023

  • 一种用于量化卫星图像中经济增长的动态网络和表示学习方法

    提出了一种基于网络科学和表示学习的方法，利用高分辨率夜间卫星图像创建动态网络来量化经济指标和可视化各个地区的增长，预测大区域的空间经济支出，捕捉城市增长和人民生活水平变化的趋势，更好地帮助决策者理解增长。

    Dec, 2018

  • 具有时间动态的道路网络的语义增强表征学习

    Toast 和 DyToast 是用于学习道路网络通用表示的新框架，增强了时间动态集成以提高各种时间敏感下游任务的性能。通过编码交通模式和旅行语义来实现对道路网络的两个关键语义特征的重要性概括，Toast 通过引入辅助任务和 Transformer 预训练策略，而 DyToast 通过使用统一三角函数更有效地捕获道路网络的时间演变和动态特性。我们的实验证明，这些提出的技术可以在基于路段和基于轨迹的应用中获得编码了多方面知识的表示，并且一致优于现有技术的基准。

    Mar, 2024

  • 使用几何感知循环网络学习空间常识

    这篇论文提出了一种通过结合几何学和深度视觉表示学习的思想，将其嵌入移动视觉场景理解的递归网络架构中，以学习如何将 2D 视觉特征整合到场景的潜在 3D 特征映射中，通过不同 iable 几何操作进行预测和分割，十分成功。

    Dec, 2018

  • 超越分割：多模卷积网络生成路网

    这篇论文介绍了一种创新的道路网络生成方法，通过使用多模式大型语言模型 (LLM) 处理航空图像的道路布局，并在输入图像中生成详细的可导航道路网络。我们的模型通过独特的训练方法创造了道路网络，采用了 BLIP-2 架构与预训练的冻结图像编码器和大型语言模型相结合的方法创建了一个多功能的多模式 LLM，实验证明了我们的模型在提供精确和有价值的导航指引方面的有效性，这是增强自主导航系统的重要进展。

    Oct, 2023