論文の概要: Geographic Location Encoding with Spherical Harmonics and Sinusoidal
Representation Networks
- arxiv url: http://arxiv.org/abs/2310.06743v1
- Date: Tue, 10 Oct 2023 16:12:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 14:47:08.227360
- Title: Geographic Location Encoding with Spherical Harmonics and Sinusoidal
Representation Networks
- Title(参考訳): 球面高調波と正弦波表現ネットワークを用いた地理的位置符号化
- Authors: Marc Ru{\ss}wurm, Konstantin Klemmer, Esther Rolf, Robin Zbinden,
Devis Tuia
- Abstract要約: 本研究では球面調和基底関数を組み合わせたグローバル分散地理的データのための新しい位置エンコーダを提案する。
球面高調波と正弦波表現ネットワークは,それぞれが互いに競合するが,同時にタスク間の最先端性能を設定できることを示す。
- 参考スコア(独自算出の注目度): 8.267223611600443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning feature representations of geographical space is vital for any
machine learning model that integrates geolocated data, spanning application
domains such as remote sensing, ecology, or epidemiology. Recent work mostly
embeds coordinates using sine and cosine projections based on Double Fourier
Sphere (DFS) features -- these embeddings assume a rectangular data domain even
on global data, which can lead to artifacts, especially at the poles. At the
same time, relatively little attention has been paid to the exact design of the
neural network architectures these functional embeddings are combined with.
This work proposes a novel location encoder for globally distributed geographic
data that combines spherical harmonic basis functions, natively defined on
spherical surfaces, with sinusoidal representation networks (SirenNets) that
can be interpreted as learned Double Fourier Sphere embedding. We
systematically evaluate the cross-product of positional embeddings and neural
network architectures across various classification and regression benchmarks
and synthetic evaluation datasets. In contrast to previous approaches that
require the combination of both positional encoding and neural networks to
learn meaningful representations, we show that both spherical harmonics and
sinusoidal representation networks are competitive on their own but set
state-of-the-art performances across tasks when combined. We provide source
code at www.github.com/marccoru/locationencoder
- Abstract(参考訳): 地理的空間の学習の特徴表現は、リモートセンシング、生態学、疫学といったアプリケーションドメインにまたがる地理的データを統合する機械学習モデルにとって不可欠である。
最近の研究では、主に二重フーリエ球面(dfs)機能に基づく正弦波とコサインの投影を用いた座標を埋め込みます -- これらの埋め込みは、大域的なデータでも長方形のデータ領域を前提としており、特に極でのアーティファクトに繋がる可能性があるのです。
同時に、これらの機能埋め込みが組み合わされるニューラルネットワークアーキテクチャの正確な設計には、比較的注意が払われていない。
本研究では,球面上にネイティブに定義された球面調和基底関数と,二重フーリエ球面埋め込みを学習できる正弦波表現ネットワーク(sirennets)を組み合わせた,グローバル分散地理データのための新しい位置エンコーダを提案する。
位置埋め込みとニューラルネットワークアーキテクチャの相互積を様々な分類・回帰ベンチマークと合成評価データセットで体系的に評価する。
位置符号化とニューラルネットワークを併用して意味のある表現を学習する従来の手法とは対照的に,球面調和と正弦波表現の双方が,タスク間での最先端性能を競い合っていることを示す。
私たちはwww.github.com/marccoru/locationencoderでソースコードを提供しています。
関連論文リスト
- Hybrid Neural Representations for Spherical Data [25.080272865553003]
我々は,Hybrid Neural Representations for Spherical Data (HNeR-S)という新しい手法を提案する。
主目的は、球面特徴格子を用いて、多層認識と組み合わせた位置特徴を求め、目標信号を予測することである。
気象データとCMBデータに一致した等方的および階層的等方性等方性等方性画素化構造を持つ特徴格子について考察する。
論文 参考訳(メタデータ) (2024-02-05T13:03:00Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。
我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。
BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2023-10-26T17:03:14Z) - PINNslope: seismic data interpolation and local slope estimation with
physics informed neural networks [2.3895981099137535]
余剰地震データの補間は, 地震処理ワークフローにおける重要なステップである。
物理情報ニューラルネットワーク(PINN)を用いて地震データを補間する手法を提案する。
論文 参考訳(メタデータ) (2023-05-25T12:29:28Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳(メタデータ) (2022-04-21T05:27:09Z) - Neural RF SLAM for unsupervised positioning and mapping with channel
state information [51.484516640867525]
アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。
提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
論文 参考訳(メタデータ) (2022-03-15T21:32:44Z) - Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。
当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。
回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2021-03-18T19:05:04Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳(メタデータ) (2020-09-19T09:26:20Z) - Localized convolutional neural networks for geospatial wind forecasting [0.0]
畳み込みニューラルネットワーク(CNN)は多くの空間データに関して正の特性を有する。
本研究では,CNNがグローバルな特徴に加えて,局所的な特徴を学習することのできる局所畳み込みニューラルネットワークを提案する。
どのような畳み込みレイヤにも追加可能で、簡単にエンドツーエンドのトレーニングが可能で、最小限の複雑さを導入でき、CNNは必要な範囲でそのメリットの大部分を維持できる。
論文 参考訳(メタデータ) (2020-05-12T17:14:49Z) - A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
論文 参考訳(メタデータ) (2020-03-16T14:04:45Z) - 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。