論文の概要: Sphere2Vec: Multi-Scale Representation Learning over a Spherical Surface
for Geospatial Predictions
- arxiv url: http://arxiv.org/abs/2201.10489v1
- Date: Tue, 25 Jan 2022 17:34:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-26 14:26:11.678850
- Title: Sphere2Vec: Multi-Scale Representation Learning over a Spherical Surface
for Geospatial Predictions
- Title(参考訳): Sphere2Vec:地球空間予測のための球面上のマルチスケール表現学習
- Authors: Gengchen Mai, Yao Xuan, Wenyun Zuo, Krzysztof Janowicz, Ni Lao
- Abstract要約: 本稿では,Sphere2Vecと呼ばれるマルチスケール位置符号化モデルを提案する。
球面上の点座標を直接符号化し、地図投影歪問題を回避する。
Sphere2Vec符号化が任意の2点間の球面距離を保存することの理論的証明を提供する。
- 参考スコア(独自算出の注目度): 4.754823920235069
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Generating learning-friendly representations for points in a 2D space is a
fundamental and long-standing problem in machine learning. Recently,
multi-scale encoding schemes (such as Space2Vec) were proposed to directly
encode any point in 2D space as a high-dimensional vector, and has been
successfully applied to various (geo)spatial prediction tasks. However, a map
projection distortion problem rises when applying location encoding models to
large-scale real-world GPS coordinate datasets (e.g., species images taken all
over the world) - all current location encoding models are designed for
encoding points in a 2D (Euclidean) space but not on a spherical surface, e.g.,
earth surface. To solve this problem, we propose a multi-scale location
encoding model called Sphere2V ec which directly encodes point coordinates on a
spherical surface while avoiding the mapprojection distortion problem. We
provide theoretical proof that the Sphere2Vec encoding preserves the spherical
surface distance between any two points. We also developed a unified view of
distance-reserving encoding on spheres based on the Double Fourier Sphere
(DFS). We apply Sphere2V ec to the geo-aware image classification task. Our
analysis shows that Sphere2V ec outperforms other 2D space location encoder
models especially on the polar regions and data-sparse areas for image
classification tasks because of its nature for spherical surface distance
preservation.
- Abstract(参考訳): 2次元空間における点の学習フレンドリな表現の生成は、機械学習における基本的かつ長期にわたる問題である。
近年、高次元ベクトルとして2次元空間の任意の点を直接符号化するマルチスケール符号化スキーム(Space2Vecなど)が提案され、様々な(幾何学)空間予測タスクにうまく適用されている。
しかし、地図投影歪み問題は、地球表面のような球面ではなく、2次元(ユークリッド)空間の点を符号化するために設計されている、大規模な実世界のGPS座標データセット(例えば、世界中の種画像)に位置符号化モデルを適用する際に生じる。
そこで本研究では,球面上の点座標を直接符号化するSphere2V ecと呼ばれるマルチスケール位置符号化モデルを提案する。
Sphere2Vec符号化が任意の2点間の球面距離を保存することの理論的証明を提供する。
また,Double Fourier Sphere (DFS) に基づく球面上の距離保存符号化の統一ビューを開発した。
Sphere2V ec を地理認識画像分類タスクに適用する。
本研究では,球面距離保存の特質から,球面2v ecは他の2次元空間位置エンコーダモデルよりも画像分類の極域領域やデータスパース領域よりも優れていることを示す。
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) - NDC-Scene: Boost Monocular 3D Semantic Scene Completion in Normalized
Device Coordinates Space [77.6067460464962]
SSC(Monocular 3D Semantic Scene Completion)は、単一の画像から複雑なセマンティックスや幾何学的形状を予測し、3D入力を必要としないため、近年大きな注目を集めている。
我々は,3次元空間に投影された2次元特徴の特徴的曖昧さ,3次元畳み込みのPose Ambiguity,深さの異なる3次元畳み込みにおける不均衡など,現在の最先端手法におけるいくつかの重要な問題を明らかにする。
シーン補完ネットワーク(NDC-Scene)を考案し,2を直接拡張する。
論文 参考訳(メタデータ) (2023-09-26T02:09:52Z) - 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) - NeuroGF: A Neural Representation for Fast Geodesic Distance and Path
Queries [77.04220651098723]
本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。
具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。
NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-01T13:32:21Z) - SketchSampler: Sketch-based 3D Reconstruction via View-dependent Depth
Sampling [75.957103837167]
1枚のスケッチ画像に基づいて3次元形状を再構成することは、スパースで不規則なスケッチと正規の高密度な3次元形状との間に大きな領域ギャップがあるため困難である。
既存の作品では、3D座標を直接予測するためにスケッチから抽出されたグローバルな特徴を活用しようとするが、通常は入力スケッチに忠実でない細部を失う。
論文 参考訳(メタデータ) (2022-08-14T16:37:51Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳(メタデータ) (2022-06-28T12:43:38Z) - A Review of Location Encoding for GeoAI: Methods and Applications [14.279748049042665]
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。
論文 参考訳(メタデータ) (2021-11-07T05:25:49Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳(メタデータ) (2020-02-24T14:13:29Z) - 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。