来源:厦门大学
期刊:IEEE TRANSACTONS ON INTELLIGENT TRANSPORTATION SYSTEMS 2021
摘要:
如今,大量的传感器被安装在移动或静止的平台上,不断地生成带有地理标记和时间标记的读数(即地理感知数据),其中包含了有关周围环境的丰富信息。这些数据的时空坐标是不规则的。为了表示地理感知数据,已经进行了大量的研究工作,使用时间序列、网格状图像和图形信号。然而,目前还缺乏一种能够同时描述移动和静止地理感知数据而又不丢失空间和时间维度信息的合适的表示方法。本文提出将海量地理感知数据表示为时空点云(STPC),并提出一种新的深度神经网络STPC- net。STPC利用原始的不规则时空坐标,STPC- net从STPC中获取传感器内和传感器间的相关性。通过这种方式,STPC- net学习了STPC的关键信息,克服了数据不规则性的挑战。使用真实数据集的实验表明,STPC-Net在移动和固定地理感知数据的不同任务中都实现了最先进的性能。源码公布在:https://github.com/zhengchuanpan/STPC-Net
主要贡献:
1、 据我们所知,我们是第一个提出统一表示(即时空点云)的人,它可以同时描述移动和静止的地理感知数据,而不会在空间和时间维度上丢失信息。
2、 我们设计了一种新颖的深度网络架构(即:STPC-Net),适用于时空点云的处理。STPC-Net能够在海量地理传感器数据中学习传感器内、传感器间的局部相关性和全局信息。
3、 在移动和固定的地理感知观数据上进行了大量的实验,证明STPC-Net实现了最先进的性能。
网络结构,STPC-NET点云分类网络包含几个MLP用于特征映射,两个卷积模型用于在输入点云钟学习局部特征,一个联合网络用于局部和全局信息的聚合,第二个卷积模型用于从新点云钟生成特征,最后阶段,两个网络使用MLP网络来生成最终输出。
小结:
空间地理数据具有数据量大,具有时序性的特点,可以很好的使用点数据表达,使用点云作为空间地理信息表达载体,通过深度学习可以很好的对空间数据特征进行表达和映射。