可达性嵌入：从移动轨迹中进行可扩展自监督表示学习用于多模态地理空间计算机视觉

自监督表示学习技术利用无语义标注的大型数据集来学习有意义、通用的特征，这些特征可方便地迁移以解决各种下游监督任务。在本文中，我们提出一种自监督方法，从未标注的 GPS 轨迹中学习地理位置的表示，以解决下游地理空间计算机视觉任务。地球表面栅格化表示所得的瓦片被建模为图的节点或图像的像素。GPS 轨迹被建模为这些节点上允许的马尔可夫路径。我们提出了一种可扩展的分布式算法，用于计算称为可达性摘要的图像状张量，其刻画了由观测到的马尔可夫路径所隐含的瓦片与其邻域之间的空间连通模式。训练一个卷积收缩自编码器来学习每个瓦片的可达性摘要的压缩表示，称为可达性嵌入。可达性嵌入作为与任务无关的地理位置特征表示。将可达性嵌入用作五种不同下游地理空间任务（被构建为监督语义分割问题）的像素表示，我们定量地证明可达性嵌入是语义上有意义的表示，并且与使用不考虑瓦片间空间连通性的像素表示的基线模型相比，在使用最多少 67% 的轨迹数据的情况下，性能提升 4–23%（使用精确率-召回率曲线下面积（AUPRC）度量衡量）。可达性嵌入将顺序的时空移动数据转换为语义上有意义的图像状张量表示，可与其他图像源结合，并旨在促进地理空间计算机视觉中的多模态学习。