Sphere2Vec：面向地理空间预测的球面多尺度表示学习
计算机视觉与模式识别
2022-01-26 v1 人工智能
机器学习
摘要
为 2D 空间中的点生成便于学习的表示是机器学习中一个基础且长期存在的问题。近来，多尺度编码方案（如 Space2Vec）被提出以直接将 2D 空间中任意点编码为高维向量，并已成功应用于多种（地理）空间预测任务。然而，当将位置编码模型应用于大规模真实世界 GPS 坐标数据集（例如全球各地拍摄的物种图像）时，会出现地图投影畸变问题——当前所有位置编码模型均为编码 2D（欧几里得）空间中的点而设计，而非用于球面（如地球表面）。为解决该问题，我们提出一种称为 Sphere2Vec 的多尺度位置编码模型，其直接在球面上编码点坐标，同时避免地图投影畸变问题。我们提供理论证明：Sphere2Vec 编码保留任意两点间的球面距离。我们还基于双傅里叶球面（DFS）建立了球面上保距编码的统一视角。我们将 Sphere2Vec 应用于地理感知图像分类任务。分析表明，因其保留球面距离的特性，Sphere2Vec 在图像分类任务上尤其于极地区域与数据稀疏区域优于其他 2D 空间位置编码器模型。
引用
@article{arxiv.2201.10489,
title = {Sphere2Vec: Multi-Scale Representation Learning over a Spherical Surface for Geospatial Predictions},
author = {Gengchen Mai and Yao Xuan and Wenyun Zuo and Krzysztof Janowicz and Ni Lao},
journal= {arXiv preprint arXiv:2201.10489},
year = {2022}
}