論文の概要: Self-supervised Learning for Geospatial AI: A Survey
- arxiv url: http://arxiv.org/abs/2408.12133v1
- Date: Thu, 22 Aug 2024 05:28:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 15:03:23.118142
- Title: Self-supervised Learning for Geospatial AI: A Survey
- Title（参考訳）: 地理空間AIのための自己教師型学習
- Authors: Yile Chen, Weiming Huang, Kaiqi Zhao, Yue Jiang, Gao Cong,
- Abstract要約: 自己教師付き学習(SSL)は地理空間データに採用されていることで注目を集めている。
本稿では,地理空間ベクトルデータで広く用いられている3種類の一次データ(幾何学)に対して,SSL技術の適用および開発に関する包括的かつ最新の調査を行う。
- 参考スコア（独自算出の注目度）: 21.504978593542354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proliferation of geospatial data in urban and territorial environments has significantly facilitated the development of geospatial artificial intelligence (GeoAI) across various urban applications. Given the vast yet inherently sparse labeled nature of geospatial data, there is a critical need for techniques that can effectively leverage such data without heavy reliance on labeled datasets. This requirement aligns with the principles of self-supervised learning (SSL), which has attracted increasing attention for its adoption in geospatial data. This paper conducts a comprehensive and up-to-date survey of SSL techniques applied to or developed for three primary data (geometric) types prevalent in geospatial vector data: points, polylines, and polygons. We systematically categorize various SSL techniques into predictive and contrastive methods, discussing their application with respect to each data type in enhancing generalization across various downstream tasks. Furthermore, we review the emerging trends of SSL for GeoAI, and several task-specific SSL techniques. Finally, we discuss several key challenges in the current research and outline promising directions for future investigation. By presenting a structured analysis of relevant studies, this paper aims to inspire continued advancements in the integration of SSL with GeoAI, encouraging innovative methods to harnessing the power of geospatial data.
- Abstract（参考訳）: 都市・地域環境における地理空間データの拡散は,様々な都市分野での地理空間人工知能(GeoAI)の発展を著しく促進している。
地理的データの性質が広く、本質的には疎いことから、ラベル付きデータセットに大きく依存することなく、そのようなデータを効果的に活用できる技術が不可欠である。
この要件は自己教師付き学習(SSL)の原則と一致しており、地理空間データへの導入に注目が集まっている。
本稿では,地空間ベクトルデータ(点,ポリライン,ポリゴン)で広く使われている3つの一次データ(幾何学的)タイプに対して,SSL技術の適用および開発に関する包括的かつ最新の調査を行う。
我々は,さまざまなSSL手法を予測的・コントラスト的手法に体系的に分類し,各データタイプについて,様々な下流タスクにおける一般化の促進について論じる。
さらに,GeoAIにおけるSSLの今後の動向や,タスク固有のSSL技術についても概説する。
最後に,本研究におけるいくつかの重要な課題について論じ,今後の研究に向けての有望な方向性を概説する。
本論文は、関連する研究の構造化分析によって、SSLとGeoAIの統合の継続的な進歩を刺激し、地理空間データのパワーを活用する革新的な手法を奨励することを目的としている。
関連論文リスト
- Geode: A Zero-shot Geospatial Question-Answering Agent with Explicit Reasoning and Precise Spatio-Temporal Retrieval [0.0]
本研究では,ゼロショット地理空間的質問応答タスクを高精度に処理するための先駆的システムを提案する。
当社のアプローチは,現在の大規模言語モデルの限界に対処する上で,大幅な改善を図っている。
論文 参考訳（メタデータ） (2024-06-26T21:59:54Z) - GeoAI Reproducibility and Replicability: a computational and spatial perspective [3.46924652750064]
本稿では,このトピックを計算的,空間的両面から詳細に分析することを目的とする。
まず,GeoAI研究を再現するための主要な目標,すなわち検証(再現性),類似あるいは新しい問題の解法(再現性)の学習と適応,研究成果の一般化可能性(再現性)について検討する。
次に、GeoAI研究におけるR&Rの欠如の原因となる要因について、(1)トレーニングデータの選択と使用、(2)GeoAIモデル設計、トレーニング、デプロイメント、推論プロセスに存在する不確実性について論じる。
論文 参考訳（メタデータ） (2024-04-15T19:43:16Z) - Challenges in data-based geospatial modeling for environmental research
and practice [19.316860936437823]
機械学習(ML)を用いたデータに基づく地理空間モデリングが環境研究で人気を博している。
本研究では,不均衡データ,空間自己相関,予測誤差,モデル一般化,ドメイン特異性,不確実性推定など,地理空間モデリングにおける一般的なニュアンスについて検討する。
論文 参考訳（メタデータ） (2023-11-18T12:30:49Z) - K2: A Foundation Language Model for Geoscience Knowledge Understanding
and Utilization [105.89544876731942]
大規模言語モデル(LLM)は自然言語処理の一般分野において大きな成功を収めている。
我々は、地球科学におけるLLM研究をさらに促進するために開発された一連の資源とともに、地球科学における最初のLLMであるK2を提示する。
論文 参考訳（メタデータ） (2023-06-08T09:29:05Z) - On the Opportunities and Challenges of Foundation Models for Geospatial
Artificial Intelligence [39.86997089245117]
ファンデーションモデル(FM)は、微調整、少数ショット、ゼロショット学習によって、幅広い下流タスクに適応することができる。
我々は,GeoAIのためのFMを開発する上で大きな課題の一つとして,地理空間的タスクのマルチモーダル性に対処することを提案する。
論文 参考訳（メタデータ） (2023-04-13T19:50:17Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - Graph-based Semi-supervised Learning: A Comprehensive Review [51.26862262550445]
半教師付き学習(ssl)はラベル付きデータとラベルなしデータの両方を利用する能力があるため、実際非常に価値があります。
重要なSSLメソッドのクラスは、グラフベースの半教師付き学習(GSSL)メソッドに対応するグラフとしてデータを自然に表現することです。
GSSLメソッドは、構造のユニークさ、アプリケーションの普遍性、大規模データへのスケーラビリティのために、さまざまなドメインでその利点を実証しています。
論文 参考訳（メタデータ） (2021-02-26T05:11:09Z) - A Survey on Heterogeneous Graph Embedding: Methods, Techniques,
Applications and Sources [79.48829365560788]
異種情報ネットワーク (heterogenous information network) としても知られるヘテロジニアスグラフ (HGs) は、現実のシナリオにおいてユビキタス化されている。
HG埋め込みは、下流タスクのための不均一な構造と意味を保ちながら、低次元空間での表現を学習することを目的としている。
論文 参考訳（メタデータ） (2020-11-30T15:03:47Z) - Graph Signal Processing for Geometric Data and Beyond: Theory and
Applications [55.81966207837108]
グラフ信号処理(GSP)は、不規則な領域に存在する処理信号を可能にする。
GSP法は、幾何データとグラフの接続をブリッジすることで、統一的に幾何データに対する手法である。
最近開発されたグラフニューラルネットワーク(GNN)は、GSPの観点からこれらのネットワークの動作を解釈している。
論文 参考訳（メタデータ） (2020-08-05T03:20:16Z) - Data-driven geophysics: from dictionary learning to deep learning [3.6713387874278247]
物理の「モデル駆動」アプローチは次元の呪いに悩まされ、地下を不正確にモデル化する可能性がある。
データ駆動型」技術は、地球物理データの増加によってこれらの問題を克服する可能性がある。
論文 参考訳（メタデータ） (2020-07-13T04:39:49Z)
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。