ST-GRIT：用于内部冰层厚度预测的时空图变换器
机器学习
2025-10-30 v1 计算机视觉与模式识别
摘要
了解雷达图像中内部冰层的厚度和变异性对于监测积雪积累、评估冰层动力学以及减少气候模型的不确定性至关重要。雷达传感器能够穿透冰层，提供这些内部层的详细雷达图图像。在本工作中，我们提出了ST-GRIT（Spatio-Temporal Graph Transformer），一种用于冰层厚度的时空图变换器，旨在处理这些雷达图并捕捉浅层和深层冰层之间的时空关系。ST-GRIT利用归纳几何图学习框架提取局部空间特征作为特征嵌入，并采用一系列独立的时序和空间注意力块，以有效地在两个维度上建模长程依赖。针对格陵兰冰盖的雷达图数据进行的实验评估表明，ST-GRIT consistently 超过当前最先进的方法和其他基线图神经网络，实现了更低的均方根误差。这些结果突显了基于图上的自注意力机制相对于纯图神经网络的优势，包括处理噪声、避免过平滑以及捕捉长程依赖的能力。此外，独立的空间和时序注意力块的使用允许对空间关系和时序模式进行distinct且稳健的学习，提供了一种更全面和有效的方法。
引用
@article{arxiv.2507.07389,
title = {ST-GRIT: Spatio-Temporal Graph Transformer For Internal Ice Layer Thickness Prediction},
author = {Zesheng Liu and Maryam Rahnemoonfar},
journal= {arXiv preprint arXiv:2507.07389},
year = {2025}
}
备注
Accepted for 2025 IEEE International Conference on Image Processing (ICIP)