GFM4MPM：面向矿产潜力地图的地理空间基础模型
本研究提出了一种新颖的多模态融合模型，用于三维矿产前景绘图，通过深度网络结构有效地整合结构和流体信息。利用卷积神经网络和多层感知机，该模型采用典型相关分析对多模态特征进行对齐和融合。在交界金矿床数据集上进行严格评估，证明了该模型在区分含矿实例和预测矿产前景方面的卓越性能，优于其他模型的结果分析。消融研究进一步揭示了联合特征利用和 CCA 整合的好处。本研究不仅推动了矿产前景建模，还强调了数据整合和特征对齐对增强勘探决策的关键作用。
Sep, 2023
利用未标记的地球观测数据创建多模态预训练数据集，通过多模态预训练任务，提出了改进的 ConvNeXt V2 架构的 Multi-Pretext Masked Autoencoder (MP-MAE) 方法，证明多模态预训练可以显著提高图像分类和语义分割的性能，以及标签和参数的效率。
May, 2024
通过开放地理空间数据和自我监督学习，CityFM 构建了一个多模态的预训练基础模型，用于处理地理空间数据和回答城市相关问题，并在道路、建筑和区域级别的任务上获得了优秀的性能。
Oct, 2023
我们提出了一种基于自组织映射中的拓扑投射的半监督学习方法，通过利用大规模未标记数据集中的信息，显著减少了进行参数预测所需的标记数据点数量，从而有效降低了在某些领域（如电力系统、医学和工程学）中获取地面实况标记的成本。
Jan, 2024
本文提出了一种利用深度图和彩色图像的自监督学习方法，通过利用深度图和归纳传递来在 3DPM 数据集上无需标签进行自我监督学习的表征学习方法，能够改进矿物分类任务的性能。
Oct, 2022
在这篇论文中，我们探讨了机器学习在地理空间预测任务中的应用，提出了一种名为 GeoLLM 的新方法，利用大型语言模型中的地理空间信息和开放街道地图的辅助数据，有效地提取地理空间知识，用于测量人口密度等中心问题，相较于最近邻和直接使用提示信息的基准方法，在多个任务上展现了 70% 的性能提升，并且与卫星数据的基准结果相当甚至超出，证明了大型语言模型在地理空间任务上的可行性和潜力。
Oct, 2023
本文介绍了一种增量多模式表面映射方法，将环境表示为连续的概率模型。该方法利用高斯混合模型（GMMs）表示环境，通过空间哈希图提取 GMM 子地图，并确定点云中的相关和冗余数据，从而提高计算速度和地图的准确性。评估使用模拟和真实数据，该软件开源供机器人社区使用。
Sep, 2023
通过在多个地理空间子领域进行测试，发现在某些文本模态的地理任务中，基于任务不可知的大型语言模型可以在零样本或少样本学习设置中胜过基于任务特定的全监督模型，但是在其他涉及多种数据模态的地理任务上，现有的基础模型仍然不如基于任务特定的模型表现。因此，通过处理不同的地理数据模态，建议可能性使用能够通过地理对齐来推理各种类型的地理数据的多模态基础模型来应对地理人工智能挑战的多模态特征。
Apr, 2023