基于视图内与视图间对比学习的区域嵌入
计算机视觉与模式识别
2022-11-17 v1 机器学习
摘要
无监督区域表示学习旨在从未标注的城市数据中提取稠密且有效的特征。尽管已有一些基于多视图解决该问题的工作，现有方法在提取视图内表示和/或融合不同视图表示方面仍显不足。受对比学习在表示学习中成功的启发，我们提出将其用于多视图区域表示学习，并遵循两条准则设计了名为 ReMVC（基于多视图对比学习的区域嵌入）的模型：i) 在每个视图内将某区域与其他区域进行比较以实现有效的表示提取；ii) 在不同视图间将某区域与其自身进行比较以实现跨视图信息共享。我们设计了视图内对比学习模块以帮助学习有区分力的区域嵌入，以及视图间对比学习模块作为软协同正则化器来约束嵌入参数并跨多视图迁移知识。我们将学到的区域嵌入用于两项下游任务：土地利用聚类和区域热度预测。大量实验表明，与七种最先进（SOTA）基线方法相比，我们的模型取得了显著提升，在土地利用聚类任务中提升幅度超过 30%。
引用
@article{arxiv.2211.08975,
title = {Region Embedding with Intra and Inter-View Contrastive Learning},
author = {Liang Zhang and Cheng Long and Gao Cong},
journal= {arXiv preprint arXiv:2211.08975},
year = {2022}
}