TorchSpatial：用于空间表示学习的位置编码框架与基准
计算机视觉与模式识别
2025-01-22 v3 人工智能
摘要
空间表示学习 (SRL) 旨在从各种类型空间数据 (如点、折线、多边形、网络、图像等) 的原始格式中学习通用的神经网络表示。在物种分布建模、天气预报、轨迹生成、地理问答等下游应用中，学习好的空间表示是根本性问题。尽管 SRL 已成为几乎所有地理人工智能 (GeoAI) 研究的基础，但我们尚未见有显著努力开发用于支持 SRL 模型开发与评估的广泛深度学习框架与基准。为填补这一空白，我们提出 TorchSpatial，一个用于位置 (点) 编码的学习框架与基准，这是空间表示学习中最基本的数据类型之一。TorchSpatial 包含三个关键组件：1) 统一的位置编码框架，将整合 15 个常被认可的位置编码器，确保实现的可扩展性与可重复性；2) LocBench 基准任务，包含 7 个地理感知图像分类和 10 个地理感知图像回归数据集；3) 综合的评估指标套件，用于量化地理感知模型的整体性能及其地理偏差，包括一种新颖的 Geo-Bias Score 指标。最后，我们对不同位置编码器的模型性能与地理偏差进行详细分析与洞见。我们相信 TorchSpatial 将推动空间表示学习及 GeoAI 研究中的空间公平性的未来发展。TorchSpatial 模型框架与 LocBench 基准已 disponible at https://github.com/seai-lab/TorchSpatial，Geo-Bias Score 评估框架已 disponible at https://github.com/seai-lab/PyGBS。
引用
@article{arxiv.2406.15658,
title = {TorchSpatial: A Location Encoding Framework and Benchmark for Spatial Representation Learning},
author = {Nemin Wu and Qian Cao and Zhangyu Wang and Zeping Liu and Yanlin Qi and Jielu Zhang and Joshua Ni and Xiaobai Yao and Hongxu Ma and Lan Mu and Stefano Ermon and Tanuja Ganu and Akshay Nambi and Ni Lao and Gengchen Mai},
journal= {arXiv preprint arXiv:2406.15658},
year = {2025}
}
备注
10 pages, 2 figures. Accepted by NeurIPS 2024 Datasets and Benchmarks Track