論文の概要: Poly2Vec: Polymorphic Fourier-Based Encoding of Geospatial Objects for GeoAI Applications
- arxiv url: http://arxiv.org/abs/2408.14806v2
- Date: Sun, 11 May 2025 20:07:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-13 20:21:48.656822
- Title: Poly2Vec: Polymorphic Fourier-Based Encoding of Geospatial Objects for GeoAI Applications
- Title（参考訳）: Poly2Vec: Geospatial Objects for GeoAI の多型フーリエによる符号化
- Authors: Maria Despoina Siampou, Jialiang Li, John Krumm, Cyrus Shahabi, Hua Lu,
- Abstract要約: Poly2Vecは、地理空間オブジェクトの表現を統一するポリモルフィックなフーリエベースの符号化手法である。
また,Poly2Vecは3つの重要な空間関係を保存する上で,オブジェクト固有のベースラインを一貫して上回ることを示す。
- 参考スコア（独自算出の注目度）: 6.1981153537308336
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Encoding geospatial objects is fundamental for geospatial artificial intelligence (GeoAI) applications, which leverage machine learning (ML) models to analyze spatial information. Common approaches transform each object into known formats, like image and text, for compatibility with ML models. However, this process often discards crucial spatial information, such as the object's position relative to the entire space, reducing downstream task effectiveness. Alternative encoding methods that preserve some spatial properties are often devised for specific data objects (e.g., point encoders), making them unsuitable for tasks that involve different data types (i.e., points, polylines, and polygons). To this end, we propose Poly2Vec, a polymorphic Fourier-based encoding approach that unifies the representation of geospatial objects, while preserving the essential spatial properties. Poly2Vec incorporates a learned fusion module that adaptively integrates the magnitude and phase of the Fourier transform for different tasks and geometries. We evaluate Poly2Vec on five diverse tasks, organized into two categories. The first empirically demonstrates that Poly2Vec consistently outperforms object-specific baselines in preserving three key spatial relationships: topology, direction, and distance. The second shows that integrating Poly2Vec into a state-of-the-art GeoAI workflow improves the performance in two popular tasks: population prediction and land use inference.
- Abstract（参考訳）: 地理空間オブジェクトを符号化することは、空間情報を解析するために機械学習(ML)モデルを利用する地理空間人工知能(GeoAI)アプリケーションに基本となる。
一般的なアプローチでは、MLモデルとの互換性のため、各オブジェクトをイメージやテキストなどの既知のフォーマットに変換する。
しかし、このプロセスは、オブジェクトの空間全体に対する位置などの重要な空間情報を破棄することが多く、下流のタスクの有効性を低下させる。
空間特性を保存する別の符号化法は、特定のデータオブジェクト(例えば、ポイントエンコーダ)のためにしばしば考案され、異なるデータ型(例えば、ポイント、ポリライン、ポリゴン)を含むタスクには適さない。
そこで本研究では,空間特性を保ちながら空間的対象の表現を統一する多相フーリエに基づく符号化手法であるPoly2Vecを提案する。
Poly2Vecは、異なるタスクとジオメトリのためにフーリエ変換の大きさと位相を適応的に統合する学習された融合モジュールを組み込んでいる。
我々はPoly2Vecを5つのタスクで評価し、2つのカテゴリに分類した。
最初の実験では、Poly2Vecは、トポロジ、方向、距離の3つの重要な空間関係を保存する際に、オブジェクト固有のベースラインを一貫して上回っていることを実証している。
2つ目は、Poly2Vecを最先端のGeoAIワークフローに統合することで、人口予測と土地利用推定という2つの一般的なタスクのパフォーマンスが向上することを示している。
関連論文リスト
- AnySat: One Earth Observation Model for Many Resolutions, Scales, and Modalities [5.767156832161819]
本稿では,JEPAとスケール適応型空間エンコーダに基づくマルチモーダルモデルであるAnySatを提案する。
この統一アプローチの利点を示すために、5ドルのマルチモーダルデータセットのコレクションであるGeoPlexをコンパイルする。
次に、これらの多様なデータセット上で、単一の強力なモデルを同時にトレーニングします。
論文 参考訳（メタデータ） (2024-12-18T18:11:53Z) - GeoFormer: A Multi-Polygon Segmentation Transformer [10.097953939411868]
リモートセンシングでは、建物のような物体のスケール不変な形状を学習する必要がある。
このような課題に対処する新しいアーキテクチャであるGeoFormerを導入し、マルチポリゴンをエンドツーエンドに生成する方法を学習する。
キーポイントを自動回帰方式で空間依存トークンとしてモデル化することにより、GeoFormerは、衛星画像から構築対象を指示する既存の作業より優れている。
論文 参考訳（メタデータ） (2024-11-25T17:54:44Z) - Geometry Distributions [51.4061133324376]
本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。
提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。
本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
論文 参考訳（メタデータ） (2024-11-25T04:06:48Z) - 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) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Geometry-Aware Network for Domain Adaptive Semantic Segmentation [64.00345743710653]
本稿では,ドメイン間のギャップを小さくするために,ドメイン適応のための幾何学的ネットワーク(GANDA)を提案する。
我々は、RGB-D画像から生成された点雲上の3Dトポロジを利用して、対象領域における座標色歪みと擬似ラベルの微細化を行う。
我々のモデルは,GTA5->CityscapesとSynTHIA->Cityscapesの最先端技術より優れている。
論文 参考訳（メタデータ） (2022-12-02T00:48:44Z) - Towards General-Purpose Representation Learning of Polygonal Geometries [62.34832826705641]
我々は,多角形形状を埋め込み空間に符号化できる汎用多角形符号化モデルを開発した。
1)MNISTに基づく形状分類,2)DBSR-46KとDBSR-cplx46Kという2つの新しいデータセットに基づく空間関係予測を行う。
以上の結果から,NUFTspec と ResNet1D は,既存のベースラインよりも有意なマージンで優れていた。
論文 参考訳（メタデータ） (2022-09-29T15:59:23Z) - Sphere2Vec: Multi-Scale Representation Learning over a Spherical Surface
for Geospatial Predictions [4.754823920235069]
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。
論文 参考訳（メタデータ） (2022-01-25T17:34:29Z) - Spatially Invariant Unsupervised 3D Object Segmentation with Graph
Neural Networks [23.729853358582506]
本研究では,空間混合モデルとして点雲をモデル化するフレームワークSPAIR3Dを提案する。
変分オートエンコーダ(VAE)を用いて3次元の多目的表現とセグメンテーションを共同で学習する。
実験の結果,SPAIR3Dは外見情報のない可変物体を検出・分割できることがわかった。
論文 参考訳（メタデータ） (2021-06-10T09:20:16Z) - Cylindrical Convolutional Networks for Joint Object Detection and
Viewpoint Estimation [76.21696417873311]
3次元空間で定義された畳み込みカーネルの円筒形表現を利用する学習可能なモジュールである円筒型畳み込みネットワーク(CCN)を導入する。
CCNはビュー固有の畳み込みカーネルを通してビュー固有の特徴を抽出し、各視点におけるオブジェクトカテゴリスコアを予測する。
本実験は,円柱状畳み込みネットワークが関節物体の検出と視点推定に与える影響を実証する。
論文 参考訳（メタデータ） (2020-03-25T10:24:58Z) - 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。