Jun, 2024

自洽的深度几何学习用于异构多源空间点数据预测

PDF
TL;DR多源空间点数据预测的创新性框架将各种数据整合起来，不依赖地面真实标签，并通过引入 “可信度分数” 和地理位置感知图神经网络等技术有效地解决评估数据质量和建模空间关系的挑战，其在真实和合成数据集上的严格测试结果表明其优越性能。
multi-source spatial point data predictionintegrating datafidelity scoregeo-location-aware graph neural networksuperior performance
发现论文，激发创造
  • 异构 GNN 长期视觉地图稀疏化

    本文介绍了一种使用图神经网络模型建模三维稠密地图为异构图并预测三维点重要性得分的方法，以选取具有未来重定位价值和稀疏地图覆盖的点。该方法在自适应环境中提取出稳定和广泛可见的地图点，并在定位性能方面优于基线模型。

    Mar, 2022

  • 提升下一个 POI 预测的效果：与遥感数据的空间和语义增强

    提出了一种基于深度学习的两步预测框架，通过丰富输入特征、引入遥感数据和构建 QR-P 图等方法来解决点兴趣预测中的挑战，并通过实证研究证明了该方法的优越性。

    Mar, 2024

  • GeoNet: 基于深度测地线网络的点云分析

    GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

    Jan, 2019

  • 融合空间知识的层次学习：地球影像中的洪水测绘应用

    提出了一种新颖的基于空间知识的分层学习（SKI-HL）框架，该框架采用多分辨率层次结构迭代地推断样本标签，并在具有不确定性感知的多实例学习中训练神经网络参数。实验证明，该模型在真实世界的洪水图像数据集上优于几种基准方法。

    Dec, 2023

  • 面向数据的机器学习在地理遥感数据中的应用

    现代机器学习在地理空间领域取得了巨大的进展，而数据中心学习方法的应用对于提高精度、泛化能力和实际应用产生了积极作用。本文提出了一种自动化数据中心学习方法的定义和精确分类，总结了地理空间领域的相关研究，并将其归类为不同的组别，通过具体的实现例子展示了如何利用数据中心机器学习方法对地理空间数据进行操作。

    Dec, 2023

  • 数据驱动的环境研究与实践中的地理空间建模挑战

    电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势，通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而，对于进一步的研究和实践，需要解决许多问题，以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战，并提供了克服这些挑战的技术和流行编程工具，还讨论了地理空间人工智能在环境应用中的前景。

    Nov, 2023

  • GIPSO：基于几何信息传播的 3D LiDAR 分割在线自适应

    本文主要研究了自动驾驶中 3D 点云语义分割的问题，提出了一种新的面向场景推理的算法框架，并针对领域变化以及使用合成数据时的挑战性问题进行了研究，提高了算法的稳定性和实际性能。

    Jul, 2022

  • 远程感知图像精细物体识别的多源区域注意力网络

    该论文提出了一种新的方法，利用多源数据分析和注意力机制使得深度网络可以在小目标类别和数据不足的情况下，在街树分类问题中取得了较大的进展。

    Jan, 2019

  • 鲁棒的几何保持深度估计 - 使用可微分渲染

    通过混合数据集训练模型，预测几何保持的深度，并通过渲染重建场景的新视图以及设计损失函数，促进不同视角下深度估计的一致性，实现了对领域特定尺度和平移系数的自主恢复，优于现有最先进方法的多个基准数据集。

    Sep, 2023

  • 通过主动迁移学习自动测试空间相关环境假设

    本研究通过多任务高斯过程和基于信息的目标函数结合迁移学习和主动学习，探索假设的相关关系空间，并实时评估这些假设，以提高规划效率。该方法通过在前 5 个样本内降低预测误差 1.5-6 倍来减少采样成本，并能快速识别和拒绝不良假设，不会对规划产生不良影响。

    Feb, 2024