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

• Cybercrime Prediction via Geographically Weighted Learning [0.24578723416255752]
  地理的緯度と長手点を考慮したグラフニューラルネットワークモデルを提案する。 合成データセットを用いて,サイバーセキュリティの4クラス分類問題にアルゴリズムを適用した。 従来のニューラルネットワークや畳み込みニューラルネットワークよりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2024-11-07T11:46:48Z)
• 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)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• 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)
• 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)
• 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)
• 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)
• 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。