基于球谐函数与正弦表示网络的地理位置编码
机器学习
2024-04-16 v2 人工智能
摘要
学习地理空间的表示对于任何整合地理定位数据的机器学习模型都至关重要，其应用跨越遥感、生态学或流行病学等领域。近期工作基于双傅里叶球（DFS）特征使用正弦和余弦投影嵌入坐标。这些嵌入即使在全局数据上也假设矩形数据域，可能导致伪影，尤其在两极处。同时，人们很少关注与这些函数式嵌入相结合的神经网络架构的具体设计。本文提出一种面向全球分布地理数据的新型位置编码器，它将原生定义于球面上的球谐基函数与可解释为学习到的双傅里叶球嵌入的正弦表示网络（SirenNets）相结合。我们在多个基准和合成评估数据集上系统评估了位置嵌入与神经网络架构。与以往需要位置编码与神经网络相结合才能学习有意义表示的方法不同，我们表明球谐函数与正弦表示网络各自均具竞争力，但二者结合可在各项任务上达到最先进的性能。模型代码与实验见 https://github.com/marccoru/locationencoder。
引用
@article{arxiv.2310.06743,
title = {Geographic Location Encoding with Spherical Harmonics and Sinusoidal Representation Networks},
author = {Marc Rußwurm and Konstantin Klemmer and Esther Rolf and Robin Zbinden and Devis Tuia},
journal= {arXiv preprint arXiv:2310.06743},
year = {2024}
}
备注
Camera-ready version