Jun, 2024

TorchSpatial: 空间表示学习的位置编码框架和基准

PDF
TL;DRSpatial representation learning (SRL) is addressed with the proposed TorchSpatial framework, which includes a unified location encoding framework, benchmark tasks, and evaluation metrics, aiming to support SRL model development, reproducibility, and spatial fairness in GeoAI research.
spatial representation learningsrlneural network representationstorchspatiallocation encoding
发现论文，激发创造
  • 地理人工智能位置编码方法与应用综述

    本文从机器学习的角度提出了位置编码的概念，系统回顾并讨论了当前位置编码研究的现状和挑战，将已有的位置编码模型分类，并探讨了它们与不同类型空间数据的应用，并指出了未来位置编码研究面临的挑战。

    Nov, 2021

  • 利用网格细胞进行空间特征分布的多尺度表示学习

    提出了一个名为 Space2Vec 的表示学习模型，用于将地点的绝对位置和空间关系进行编码，并在地理数据和图像分类两个任务上得到了比径向基函数和多层前馈神经网络等传统机器学习方法更好的效果，其特点是具有多尺度表示能力。

    Feb, 2020

  • SpaRC 和 SpaRP：用于理解大型语言模型的空间推理能力的空间推理特征描述和路径生成

    当前最先进的大型语言模型（LLMs）在空间推理方面性能较差，但随着模型规模的扩大，在空间推理能力上有了显著提升，Finetuning 大或小型语言模型可以显著提高它们的 F1 分数，专有的 LLMs 在拓扑空间理解和推理方面明显优于开源模型。

    Jun, 2024

  • 个体轨迹的联合时空表示学习

    本研究提出了一种空间 - 时间联合表示学习方法 (ST-GraphRL)，用于将可学习的空间 - 时间依赖性编码到轨迹表示中。该方法在预测移动空间 - 时间分布和保持轨迹相似性方面在三个真实世界人类移动数据集上优于所有基准模型，并能理解潜在空间 - 时间模式。同时，该方法在广泛的地理空间数据表示和 GeoFMs 开发方面具有可迁移性。

    Dec, 2023

  • 语言模型中的空间推理评估重新构架：定性推理的现实世界模拟基准

    我们提出了一个新的基准评估语言模型中的定性空间推理，该基准建立在逼真的三维仿真数据上，提供了一系列具有多样化房间布局、不同对象及其空间关系的详细和富有背景的叙述。我们的基准评估了先进的语言模型在空间推理方面的优势和局限性，发现它们在多跳空间推理和解释混合视角描述方面存在困难，并指出了未来改进的方向。

    May, 2024

  • 用球谐和正弦表示网络进行地理位置编码

    地理空间特征表示对于集成地理定位数据的任何机器学习模型都是至关重要的，本研究提出了一种新的全球分布地理数据的位置编码器，结合球面调和基函数和正弦网络表示网络 (SirenNets)，以学习双傅立叶球嵌入。

    Oct, 2023

  • 深度学习在胸部 X-Ray 报告中理解空间语言的表示框架，标注和空间关系提取

    该研究提出了一种基于深度学习自然语言处理的方法，通过从放射学报告中提取空间信息，包括放射学发现、解剖位置、可能诊断以及相关避免使用术语等，从而为诊断提供详细信息。

    Aug, 2019

  • CSP：自监督对比空间预训练用于地理空间视觉表示

    本研究提出了一种基于自监督学习的框架 Contrastive Spatial Pre-Training（CSP），用于处理大量具有地理标记信息的图像，通过对地理信息进行编码和对比学习，可以提高模型在图像分类任务中的性能。

    May, 2023

  • PyTorch Geometric Temporal: 基于神经机器学习模型的时空信号处理

    PyTorch Geometric Temporal 是一个基于 PyTorch 的神经几何时态信号处理深度学习框架，可以用于实现预测性能较好的模型解决传染病预测、打车服务的预测和网络流量管理等现实问题，并具备运行在具有丰富时空特征的 Web 规模数据集上的潜力。

    Apr, 2021

  • 时间嵌入：基于时空数据的可扩展无监督时序表征学习，用于多模态计算机视觉

    地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法，基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域，然后通过压缩自编码器转换为与任务无关的时间嵌入，该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割，将像素级嵌入转换为类似图像的通道，可用于基于任务的异模态建模和下游地理空间任务的建模。实验证明，时间嵌入是时间序列数据的语义有意义的表示方法，并且在不同的任务中如分类住宅区和商业区等有着良好的效果。时间嵌入将时空运动轨迹数据转换为语义有意义的类似图像的张量表示，可以与其他数据模态（如 RBG 图像、道路网络的图嵌入、被动采集的 SAR 图像等）相结合进行多模态学习，从而促进地理空间计算机视觉中的多模态学习。多模态计算机视觉对于训练地理空间特征检测的机器学习模型以保持地理空间映射服务实时更新是至关重要的，可以显著提高用户体验和用户安全。

    Oct, 2023