用于高效冰层厚度预测的多分支时空图神经网络
机器学习
2024-11-07 v1 计算机视觉与模式识别
摘要
理解极地冰层的时空模式对于追踪冰盖平衡变化和评估冰动力学至关重要。虽然卷积神经网络广泛用于从机载雪雷达传感器捕获的原始回声图图像中学习冰层模式，但回声图图像中的噪声阻碍研究人员获得高质量结果。相反，我们专注于使用图神经网络的几何深度学习，旨在构建一个从顶层冰层厚度信息学习并预测深层冰层厚度的时空图神经网络。在本文中，我们开发了一种新颖的多分支时空图神经网络，该网络使用 GraphSAGE 框架进行空间特征学习，并使用时间卷积操作捕获时间变化，使网络的不同分支能够更加专业化并专注于单一学习任务。我们发现，所提出的多分支网络在准确性和效率方面均持续优于当前的融合时空图神经网络。
引用
@article{arxiv.2411.04055,
title = {Multi-branch Spatio-Temporal Graph Neural Network For Efficient Ice Layer Thickness Prediction},
author = {Zesheng Liu and Maryam Rahnemoonfar},
journal= {arXiv preprint arXiv:2411.04055},
year = {2024}
}