論文の概要: Geo2Vec: Shape- and Distance-Aware Neural Representation of Geospatial Entities

• arxiv url: http://arxiv.org/abs/2508.19305v1
• Date: Tue, 26 Aug 2025 07:12:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.365851
• Title: Geo2Vec: Shape- and Distance-Aware Neural Representation of Geospatial Entities
• Title（参考訳）: Geo2Vec:Geospatial Entitiesの形状と距離を考慮したニューラル表現
• Authors: Chen Chu, Cyrus Shahabi,
• Abstract要約: 署名された距離場(SDF)にインスパイアされた新しい手法であるGeo2Vecを導入し、元の空間で直接動作する。 SDFを近似するように訓練されたニューラルネットワークは、すべてのジオエンタリティタイプに対してコンパクトで幾何学的、統一された表現を生成する。 実験結果から,Geo2Vecは形状と位置を表す既存の手法より一貫して優れており,トポロジカルおよび距離の関係を捉え,実世界のGeoAIアプリケーションにおいて高い効率を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 13.206124101350847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial representation learning is essential for GeoAI applications such as urban analytics, enabling the encoding of shapes, locations, and spatial relationships (topological and distance-based) of geo-entities like points, polylines, and polygons. Existing methods either target a single geo-entity type or, like Poly2Vec, decompose entities into simpler components to enable Fourier transformation, introducing high computational cost. Moreover, since the transformed space lacks geometric alignment, these methods rely on uniform, non-adaptive sampling, which blurs fine-grained features like edges and boundaries. To address these limitations, we introduce Geo2Vec, a novel method inspired by signed distance fields (SDF) that operates directly in the original space. Geo2Vec adaptively samples points and encodes their signed distances (positive outside, negative inside), capturing geometry without decomposition. A neural network trained to approximate the SDF produces compact, geometry-aware, and unified representations for all geo-entity types. Additionally, we propose a rotation-invariant positional encoding to model high-frequency spatial variations and construct a structured and robust embedding space for downstream GeoAI models. Empirical results show that Geo2Vec consistently outperforms existing methods in representing shape and location, capturing topological and distance relationships, and achieving greater efficiency in real-world GeoAI applications. Code and Data can be found at: https://github.com/chuchen2017/GeoNeuralRepresentation.
• Abstract（参考訳）: 空間表現学習は、都市分析のようなGeoAIアプリケーションにとって不可欠であり、ポイント、ポリライン、ポリゴンといったジオエンティティの形状、位置、空間関係(トポロジカルおよび距離ベース)の符号化を可能にする。 既存のメソッドは単一のジオエンタリティタイプをターゲットにするか、Poly2Vecのようにエンティティを単純なコンポーネントに分解してフーリエ変換を可能にし、高い計算コストを発生させる。 さらに、変換空間には幾何学的アライメントがないため、これらの手法は均一で非適応的なサンプリングに依存しており、エッジやバウンダリのようなきめ細かい特徴を曖昧にしている。 これらの制約に対処するために,サイン付き距離場(SDF)にインスパイアされた新しい手法Geo2Vecを導入する。 Geo2Vecは、ポイントを適応的にサンプリングし、符号付き距離(外側、内側、陰性)を符号化し、分解せずに幾何学をキャプチャする。 SDFを近似するように訓練されたニューラルネットワークは、すべてのジオエンタリティタイプに対してコンパクトで幾何学的、統一された表現を生成する。 さらに、高頻度空間変動をモデル化するための回転不変な位置符号化を提案し、下流GeoAIモデルのための構造化されたロバストな埋め込み空間を構築する。 実験結果から,Geo2Vecは形状と位置を表す既存の手法より一貫して優れており,トポロジカルおよび距離の関係を捉え,実世界のGeoAIアプリケーションにおいて高い効率を実現していることがわかった。 コードとデータは、https://github.com/chuchen2017/GeoNeuralRepresentation.com/GeoNeuralRepresentationで見ることができる。

関連論文リスト

• Omni Geometry Representation Learning vs Large Language Models for Geospatial Entity Resolution [0.5120567378386615]
  オームニ幾何学エンコーダを備えた地理空間ERモデル。 モデルは、既存のポイントオンリーのデータセットと、新しい多様な地理空間的ERデータセットで厳格にテストされている。
  論文  参考訳（メタデータ） (2025-08-08T03:37:11Z)
• Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
  3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。 大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。 また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
  論文  参考訳（メタデータ） (2025-02-19T14:21:25Z)
• 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)
• 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)
• Cross-view Geo-localization via Learning Disentangled Geometric Layout Correspondence [11.823147814005411]
  クロスビュージオローカライゼーションは、参照ジオタグ付き空中画像データベースとマッチングすることで、クエリーグラウンド画像の位置を推定することを目的としている。 最近の研究は、クロスビューなジオローカライゼーションベンチマークにおいて顕著な進歩を遂げている。 しかし、既存の手法は依然としてクロスエリアベンチマークのパフォーマンスの低下に悩まされている。
  論文  参考訳（メタデータ） (2022-12-08T04:54:01Z)
• 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)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。