論文の概要: Multi-Point Proximity Encoding For Vector-Mode Geospatial Machine Learning

• arxiv url: http://arxiv.org/abs/2506.05016v1
• Date: Thu, 05 Jun 2025 13:22:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.727739
• Title: Multi-Point Proximity Encoding For Vector-Mode Geospatial Machine Learning
• Title（参考訳）: ベクトルモードジオ空間機械学習のための多点近接符号化
• Authors: John Collins,
• Abstract要約: 本稿では,形状から参照点の集合への拡大距離に基づく符号化手法を提案する。 この手法であるMultiPoint (MPP)エンコーディングは任意の形状に応用でき、ベクトルモード特徴の符号化表現を用いた機械学習モデルのパラメータ化を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vector-mode geospatial data -- points, lines, and polygons -- must be encoded into an appropriate form in order to be used with traditional machine learning and artificial intelligence models. Encoding methods attempt to represent a given shape as a vector that captures its essential geometric properties. This paper presents an encoding method based on scaled distances from a shape to a set of reference points within a region of interest. The method, MultiPoint Proximity (MPP) encoding, can be applied to any type of shape, enabling the parameterization of machine learning models with encoded representations of vector-mode geospatial features. We show that MPP encoding possesses the desirable properties of shape-centricity and continuity, can be used to differentiate spatial objects based on their geometric features, and can capture pairwise spatial relationships with high precision. In all cases, MPP encoding is shown to perform better than an alternative method based on rasterization.
• Abstract（参考訳）: ベクトルモードの地理空間データ -- 点、線、ポリゴン -- は、従来の機械学習や人工知能モデルで使用されるために、適切な形式に符号化されなければならない。 符号化法は、与えられた形状をその基本的な幾何学的性質を捉えるベクトルとして表現しようとする。 本稿では,形状から参照点の集合への拡大距離に基づく符号化手法を提案する。 この手法は,任意の形状にMPP符号化を適用でき,ベクトルモード地形特徴の符号化表現を用いた機械学習モデルのパラメータ化を可能にする。 本稿では,MPP符号化は形状中心性と連続性の望ましい特性を有し,その幾何学的特徴に基づいて空間オブジェクトを識別し,高い精度で空間関係を捉えることができることを示す。 いずれの場合も、MPP符号化はラスタ化に基づく代替手法よりも優れていることが示されている。

関連論文リスト

• GeoCoder: Solving Geometry Problems by Generating Modular Code through Vision-Language Models [10.443672399225983]
  視覚パラメトリックモデル(VLM)は、様々なマルチモーダルタスクにおいて大きな進歩を遂げた。 彼らはいまだに幾何学的な問題に悩まされており、事前訓練中に見えない数学的操作を行うことができないため、著しく制限されている。 モジュール型コードファインタニングを利用して,事前に定義された幾何関数ライブラリを使用してコードの生成と実行を行うGeoCoderを提案する。
  論文  参考訳（メタデータ） (2024-10-17T12:56:52Z)
• Poly2Vec: Polymorphic Fourier-Based Encoding of Geospatial Objects for GeoAI Applications [6.1981153537308336]
  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。
  論文  参考訳（メタデータ） (2024-08-27T06:28:35Z)
• Learning Geometric Invariant Features for Classification of Vector Polygons with Graph Message-passing Neural Network [3.804240190982697]
  本稿では,ポリゴンの形状分類のための幾何学的不変特徴を学習するために,新しいグラフメッセージパッシングニューラルネットワーク(PolyMP)を提案する。 提案したグラフベースPolyMPネットワークは,ポリゴンの幾何変換に不変な表現幾何学的特徴の学習を可能にする。
  論文  参考訳（メタデータ） (2024-07-05T08:19:36Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
  Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。 提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-06-17T09:40:14Z)
• SEG-MAT: 3D Shape Segmentation Using Medial Axis Transform [49.51977253452456]
  入力形状の媒体軸変換(MAT)に基づく3次元形状分割の効率的な方法を提案する。 具体的には、MATに符号化された豊富な幾何学的および構造的情報により、3次元形状の異なる部分間の様々な種類の接合を識別することができる。 本手法は, セグメンテーション品質の点で最先端の手法より優れ, 桁違いに高速である。
  論文  参考訳（メタデータ） (2020-10-22T07:15:23Z)
• TextRay: Contour-based Geometric Modeling for Arbitrary-shaped Scene Text Detection [20.34326396800748]
  本研究では,トップダウンの輪郭型幾何モデリングと幾何パラメータ学習を行う任意の形状のテキスト検出手法であるTextRayを提案する。 いくつかのベンチマークデータセットの実験では、提案手法の有効性が示されている。
  論文  参考訳（メタデータ） (2020-08-11T16:52:10Z)
• MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
  ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。 形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
  論文  参考訳（メタデータ） (2020-06-17T05:14:53Z)
• Instant recovery of shape from spectrum via latent space connections [33.83258865005668]
  ラプラシアンスペクトルから形状を復元する最初の学習法を提案する。 自動エンコーダが与えられた場合、我々のモデルはサイクル整合モジュールの形で潜在ベクトルを固有値列にマッピングする。 我々のデータ駆動型アプローチは、計算コストのごく一部でより正確な結果を提供しながら、事前の手法で必要となるアドホック正規化器の必要性を置き換える。
  論文  参考訳（メタデータ） (2020-03-14T00:48:34Z)

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。