論文の概要: A Review of Location Encoding for GeoAI: Methods and Applications
- arxiv url: http://arxiv.org/abs/2111.04006v1
- Date: Sun, 7 Nov 2021 05:25:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 08:44:45.625569
- Title: A Review of Location Encoding for GeoAI: Methods and Applications
- Title（参考訳）: geoaiにおける位置符号化の展望:手法と応用
- Authors: Gengchen Mai, Krzysztof Janowicz, Yingjie Hu, Song Gao, Bo Yan, Rui
Zhu, Ling Cai, Ni Lao
- Abstract要約: より広い地球科学における人工知能モデルに対する一般的なニーズは、様々な種類の空間データを表現し、エンコードすることである。
1つの基本的なステップは、単一のポイント位置を埋め込み空間にエンコードすることである。
この埋め込みは、サポートベクターマシンやニューラルネットワークのような下流機械学習モデルに好適である。
- 参考スコア（独自算出の注目度）: 14.279748049042665
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: A common need for artificial intelligence models in the broader geoscience is
to represent and encode various types of spatial data, such as points (e.g.,
points of interest), polylines (e.g., trajectories), polygons (e.g.,
administrative regions), graphs (e.g., transportation networks), or rasters
(e.g., remote sensing images), in a hidden embedding space so that they can be
readily incorporated into deep learning models. One fundamental step is to
encode a single point location into an embedding space, such that this
embedding is learning-friendly for downstream machine learning models such as
support vector machines and neural networks. We call this process location
encoding. However, there lacks a systematic review on the concept of location
encoding, its potential applications, and key challenges that need to be
addressed. This paper aims to fill this gap. We first provide a formal
definition of location encoding, and discuss the necessity of location encoding
for GeoAI research from a machine learning perspective. Next, we provide a
comprehensive survey and discussion about the current landscape of location
encoding research. We classify location encoding models into different
categories based on their inputs and encoding methods, and compare them based
on whether they are parametric, multi-scale, distance preserving, and direction
aware. We demonstrate that existing location encoding models can be unified
under a shared formulation framework. We also discuss the application of
location encoding for different types of spatial data. Finally, we point out
several challenges in location encoding research that need to be solved in the
future.
- Abstract（参考訳）: より広い地球科学における人工知能モデルの一般的なニーズは、点(例えば、興味のある点)、ポリライン(例えば、管理領域)、グラフ(例えば、交通ネットワーク)、ラスター(例えば、リモートセンシング画像)といった様々な空間データを、深層学習モデルに容易に組み込むことができるように、様々な種類の空間データを表現し、符号化することである。
基本的なステップの1つは、単一の点の位置を埋め込み空間にエンコードすることであり、この埋め込みは、サポートベクターマシンやニューラルネットワークのような下流の機械学習モデルにとって学習しやすい。
このプロセスロケーションエンコーディングと呼んでいます。
しかし、ロケーションエンコーディングの概念、潜在的なアプリケーション、そして対処すべき重要な課題について、体系的なレビューがない。
本稿ではこのギャップを埋めることを目的とする。
まず、位置エンコーディングの正式な定義を提供し、機械学習の観点からGeoAI研究における位置エンコーディングの必要性について論じる。
次に,位置情報エンコーディング研究の現状に関する総合的な調査と議論を行う。
位置符号化モデルは入力と符号化法に基づいて異なるカテゴリに分類し、パラメトリック、マルチスケール、距離保存、方向認識などに基づいて比較する。
既存の位置符号化モデルが共有定式化フレームワークで統一できることを実証する。
また,様々な空間データに対する位置符号化の適用について述べる。
最後に,今後解決する必要がある位置符号化研究におけるいくつかの課題を指摘する。
関連論文リスト
- Poly2Vec: Polymorphic Encoding of Geospatial Objects for Spatial Reasoning with Deep Neural Networks [6.1981153537308336]
Poly2Vecは、異なる地理空間オブジェクトのモデリングを統一するエンコーディングフレームワークである。
我々は2次元フーリエ変換のパワーを利用して、形状や位置などの有用な空間特性を符号化する。
この統一されたアプローチは、異なる空間タイプごとに別々のモデルを開発し、訓練する必要がない。
論文 参考訳（メタデータ） (2024-08-27T06:28:35Z) - TorchSpatial: A Location Encoding Framework and Benchmark for Spatial Representation Learning [36.725822223732635]
位置(ポイント)エンコーディングのための学習フレームワークとベンチマークであるTorchSpatialを提案する。
TorchSpatialには3つの重要なコンポーネントが含まれている: 1) 一般的に認識されている15のロケーションエンコーダを統合する統合されたロケーションエンコーダフレームワーク、2) LocBenchベンチマークタスクは、7つのジオアウェアイメージ分類と4つのジオアウェアイメージ回帰データセットを含む。
論文 参考訳（メタデータ） (2024-06-21T21:33:16Z) - GLACE: Global Local Accelerated Coordinate Encoding [66.87005863868181]
シーン座標回帰法は小規模なシーンでは有効であるが、大規模シーンでは重大な課題に直面している。
本研究では,事前学習したグローバルおよびローカルのエンコーディングを統合したGLACEを提案する。
提案手法は,低マップサイズモデルを用いて,大規模シーンにおける最先端結果を実現する。
論文 参考訳（メタデータ） (2024-06-06T17:59:50Z) - Pre-training Contextual Location Embeddings in Personal Trajectories via
Efficient Hierarchical Location Representations [30.493743596793212]
人間の移動データから生成された位置の埋め込みを事前学習することは、位置情報ベースのサービスにとって一般的な方法となっている。
これまでの研究では、1万個未満の異なる場所を処理しており、これは現実世界の応用では不十分である。
本研究では,異なる規模の複数のグリッドの組み合わせとして位置を表現することによって,トレーニング対象の場所数を効率的に削減するGeo-Tokenizerを提案する。
論文 参考訳（メタデータ） (2023-10-02T14:40:24Z) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳（メタデータ） (2023-09-27T20:54:56Z) - Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese
Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。
そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文 参考訳（メタデータ） (2023-09-04T13:44:50Z) - Sphere2Vec: A General-Purpose Location Representation Learning over a
Spherical Surface for Large-Scale Geospatial Predictions [73.60788465154572]
現在の2Dおよび3D位置エンコーダはユークリッド空間における点距離をモデル化するために設計されている。
本研究では,球面上の点座標を符号化する場合に,球面距離を保存できるSphere2Vecというマルチスケール位置エンコーダを提案する。
論文 参考訳（メタデータ） (2023-06-30T12:55:02Z) - Improving Toponym Resolution with Better Candidate Generation,
Transformer-based Reranking, and Two-Stage Resolution [30.855736793066406]
ジオコーディング(Geocoding)は、テキスト中の位置参照を地理空間意味論を符号化する構造化データに変換するタスクである。
我々はジオコーディングのための新しいアーキテクチャGeoNormを提案する。
提案手法は,複数データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-05-18T21:52:48Z) - PolarMOT: How Far Can Geometric Relations Take Us in 3D Multi-Object
Tracking? [62.997667081978825]
グラフのノードとして3D検出を符号化し、グラフエッジ上の局所極座標を用いてオブジェクト間の空間的および時間的対関係を符号化する。
これにより、グラフニューラルネットワークは、時間的および空間的相互作用を効果的に符号化することができる。
我々はnuScenesデータセット上に新しい最先端のデータセットを構築し、さらに重要なことに、私たちの手法であるPolarMOTが、異なる場所にわたって驚くほどよく一般化されていることを示す。
論文 参考訳（メタデータ） (2022-08-03T10:06:56Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳（メタデータ） (2020-06-22T19:01:21Z) - Multi-Scale Representation Learning for Spatial Feature Distributions
using Grid Cells [11.071527762096053]
本研究では,位置の絶対位置と空間的関係を符号化するスペース2Vecという表現学習モデルを提案する。
その結果、Space2Vecはマルチスケール表現のため、確立されたMLアプローチよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-02-16T04:22:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。