geosparql. In: Prosiding Konferensi Web ACM 2022 . 902-911.
Haw, DJ, dkk., 2020. Penanaman spasial yang kuat pada jejaring sosial menghasilkan dinamika epidemi yang tidak standar terlepas dari distribusi derajat dan pengelompokan. Prosiding National Academy of Sciences, 117 (38), 23636-23642.
He, K., dkk., 2022. Autoencoder bertopeng adalah pembelajar penglihatan yang dapat diskalakan.
Dalam: Prosiding Konferensi IEEE / CVF tentang CVPR . 16000-16009.
He, Y. , dkk. , 2021. Resolusi super spasial-temporal citra satelit melalui sintesis piksel bersyarat.
Kemajuan dalam Sistem Pemrosesan Informasi Saraf, 34, 27903-27915.
Hoffart, J., dkk., 2013. Yago2: Basis pengetahuan yang ditingkatkan secara spasial dan temporal dari wikipedia. Kecerdasan Buatan, 194, 28-61.
Holt, D., dkk., 1996. Agregasi dan efek ekologi dalam data berbasis geografis. Analisis Geografis, 28 (3), 244-261.
Horner, M.W. dan Murray, A.T. , 2002. Komutasi berlebihan dan masalah unit area yang dapat dimodifikasi. Urban Studies, 39 (1), 131-139.
Hu, Y. , dkk. , 2015. Penyelarasan topik metadata dan pencarian semantik untuk geoportal berbasis data tertaut: Sebuah studi kasus menggunakan arcgis online. Transaksi dalam SIG, 19 (3), 398-416.
Janowicz, K., dkk. , 2020. Geoai: teknik kecerdasan buatan yang eksplisit secara spasial untuk penemuan pengetahuan geografis dan lainnya.
Janowicz, K., dkk. , 2022. Tahu, tahu di mana, tahu di mana graf: Graf pengetahuan lintas domain yang terhubung secara padat dan tumpukan layanan pengayaan geografis untuk aplikasi dalam intelijen lingkungan. Majalah AI, 43 (1), 30-39.
Jean, N. , dkk. , 2019. Tile2vec: Pembelajaran representasi tak terawasi untuk data yang terdistribusi secara spasial. Dalam: Prosiding Konferensi AAAI tentang Kecerdasan Buatan . vol. 33, 3967-3974.
Jiang, C., dkk., 2019a. DDSL: Lapisan simpleks yang dapat dibedakan secara mendalam untuk mempelajari sinyal geometris.
Dalam: Prosiding Konferensi Internasional IEEE/CVF tentang Visi Komputer . 8769-8778. Jiang, C.M.
, dkk. , 2019b. Jaringan saraf konvolusi pada sinyal geometris yang tidak seragam menggunakan transformasi spektral euclidean. Dalam: Konferensi Internasional tentang Representasi Pembelajaran.
Karpukhin, V., dkk., 2020. Pengambilan bagian yang padat untuk menjawab pertanyaan domain terbuka. Dalam: Prosiding Konferensi 2020 tentang Metode Empiris dalam Pemrosesan Bahasa Alami (EMNLP) . 6769-6781.
Kenton, J.D.M.W.C. dan Toutanova, L.K. , 2019. Bert: Pra-pelatihan transformator dua arah yang dalam untuk pemahaman bahasa. Dalam: Prosiding NAACL-HLT. 4171-4186. Kingma, D.P. and Welling , M., 2013. Pengkodean otomatis variational bayes. arXiv preprint arXiv:1312.6114.
Kuhn, W., dkk. , 2021. Semantik pertanyaan terkait tempat. Jurnal Ilmu Informasi Spasial, (23), 157- 168.
Li, W. , 2020. Geoai: Di mana pembelajaran mesin dan data besar bertemu dalam GIScience. Jurnal Ilmu Informasi Spasial, (20), 71-77.
Li, W. , Hsu, C.Y. , dan Hu, M. , 2021. Hukum pertama Tobler dalam geoai: Model pembelajaran mendalam yang eksplisit secara spasial untuk deteksi fitur medan di bawah pengawasan yang lemah. Annals of the American Association of Geographers, 111 (7), 1887-1905.
Li, Y. , dkk. , 2018a. Jaringan saraf tiruan berulang konvolusi difusi: Peramalan lalu lintas berbasis data. In: Konferensi Internasional tentang Representasi Pembelajaran.
Li, Y., dkk., 2018b. TitikCNN: Konvolusi pada titik-titik yang ditransformasi x. Kemajuan dalam Sistem Pemrosesan Informasi Neural, 31.
Li, Y. , dkk. , 2018c. Pembelajaran mendalam untuk klasifikasi citra penginderaan jauh: Sebuah survei. Ulasan Interdisipliner Wiley: Penambangan Data dan Penemuan Pengetahuan, 8 (6), e1264.
Liang, J., dkk., 2020. Transformasi poligon: Transformasi poligon dalam untuk segmentasi misalnya.
Dalam: Prosiding Konferensi IEEE/CVF tentang Visi Komputer dan Pengenalan Pola.
9131-9140.
Mac Aodha, O. , Cole, E. , dan Perona, P. , 2019. Prioritas geografis yang hanya ada untuk klasifikasi citra berbutir halus. Dalam: Prosiding Konferensi Internasional IEEE tentang Visi Komputer . 9596- 9606.
Mai, G. , dkk. , 2022a. Menuju model fondasi untuk kecerdasan buatan geospasial (makalah). Dalam:
Prosiding Konferensi Internasional ke-30 tentang Kemajuan dalam Sistem Informasi Geografis . 1-4.
pembelajaran mesin yang eksplisit secara spasial. Transaksi dalam SIG, 26 (8), 3118-3124.
Mai, G. , dkk. , 2020a. Se-kge: Model penyematan graf pengetahuan yang sadar lokasi untuk menjawab pertanyaan geografis dan pengangkatan semantik spasial. Transaksi dalam SIG, 24 (3), 623-655.
Mai, G. , dkk. , 2022c. Tinjauan pengkodean lokasi untuk geoai: metode dan aplikasi. Jurnal Internasional Ilmu Informasi Geografis, 36 (4), 639-673.
Mai, G., dkk., 2020b. Pembelajaran representasi multi-skala untuk distribusi fitur spasial menggunakan sel kisi. Dalam: Konferensi Internasional Kedelapan tentang Representasi Pembelajaran. openreview. Mai, G. , dkk. , 2021. Penjawaban pertanyaan geografis: tantangan, keunikan, klasifikasi, dan arah masa depan. AGILE: GIScience Series, 2, 1-21.
Mai, G. , dkk. , 2022d. Menuju pembelajaran representasi tujuan umum geometri poligonal.
GeoInformatica, 1-52.
Mai, G., dkk., 2022e. Sphere2vec: Pembelajaran representasi multi-skala di atas permukaan bola untuk prediksi geospasial. arXiv preprint arXiv: 2201.10489.
Mai, G., dkk., 2019. Mengatasi pertanyaan geografis yang tidak dapat dijawab dengan menggunakan model penyematan graf pengetahuan eksplisit secara spasial. In: AGILE 2019. Springer, 21-39.
Manas, O., dkk., 2021. Kontras musiman: Pra-pelatihan tanpa pengawasan dari data penginderaan jauh yang tidak terkurasi. Dalam: Prosiding Konferensi Internasional IEEE / CVF tentang Visi Komputer . 9414-9423.
Maturana, D. dan Scherer, S. , 2015. Voxnet: Jaringan saraf tiruan konvolusi 3d untuk pengenalan objek secara real-time. Dalam: 2015 IEEE/RSJ IROS. IEEE, 922-928.
Mikolov, T., dkk., 2013. Representasi terdistribusi dari kata dan frasa dan komposisi mereka.
Kemajuan dalam Sistem Pemrosesan Informasi Saraf, 26.
Mildenhall, B., dkk., 2021. Nerf: Merepresentasikan adegan sebagai bidang pancaran saraf untuk sintesis tampilan. Komunikasi ACM, 65 (1), 99-106.
Musleh, M. , Mokbel, M.F. , dan Abbar, S. , 2022. Mari kita bicara lintasan. Dalam: Prosiding ACM SIGSPATIAL ke-30. 1-4.
Nickel, M., dkk. , 2015. Sebuah tinjauan pembelajaran mesin relasional untuk graf pengetahuan.
Prosiding IEEE, 104 (1), 11-33.
Niemeyer, M. dan Geiger, A. , 2021. Jerapah: Merepresentasikan adegan sebagai bidang fitur saraf generatif komposisi. Dalam: Prosiding Konferensi IEEE / CVF tentang Visi Komputer dan Pengenalan Pola . 11453-11464.
Pennington, J. , Socher, R. , dan Manning, C.D. , 2014. Sarung tangan: Vektor global untuk representasi kata. Dalam: Prosiding Konferensi 2014 tentang Metode Empiris dalam Pemrosesan Bahasa Alami (EMNLP) . 1532-1543.
Qi, C.R., dkk., 2017a. Pointnet: Pembelajaran mendalam pada kumpulan titik untuk klasifikasi dan segmentasi 3d. Dalam: Prosiding Konferensi IEEE tentang Visi Komputer dan Pengenalan Pola . 652- 660.
Qi, C.R., dkk., 2017b. Pointnet++: Pembelajaran fitur hirarkis mendalam pada himpunan titik dalam ruang metrik. Kemajuan dalam Sistem Pemrosesan Informasi Saraf, 30.
Qi, Y., dkk., 2019. Model hibrida untuk peramalan spatiotemporal pm2. 5 berdasarkan jaringan saraf tiruan konvolusi grafik dan memori jangka pendek. Ilmu Pengetahuan tentang Lingkungan Total, 664, 1-10.
Rahimi, A. dan Recht, B. , 2007. Fitur acak untuk mesin kernel berskala besar. Kemajuan dalam Sistem Pemrosesan Informasi Neural, 20.
Rao, J., dkk., 2020. LSTM-TrajGAN: Pendekatan pembelajaran mendalam untuk perlindungan privasi lintasan. In: GIScience 2020. 12:1-12:17.
Rumelhart, D.E. , Hinton, G.E. , dan Williams, R.J. , 1986. Representasi pembelajaran dengan merambat balik kesalahan. Nature, 323 (6088), 533-536.
Schuster, M. dan Paliwal, K.K. , 1997. Jaringan syaraf tiruan dua arah. IEEE Transactions on Signal Processing, 45 (11), 2673-2681.
Soni, A. dan Boddhu, S. , 2022. Menemukan korespondensi fitur peta dalam dataset geospasial yang heterogen. In: Prosiding Lokakarya Internasional ACM SIGSPATIAL ke-1 tentang Graf Pengetahuan Geospasial . 7-16.
Su, H., dkk., 2015. Jaringan saraf konvolusi multi-tampilan untuk pengenalan bentuk 3d. In: ICCV 2015. 945-953.
syaraf tiruan. Kemajuan dalam Sistem Pemrosesan Informasi Neural, 27.
Tancik, M., dkk., 2020. Fitur Fourier memungkinkan jaringan mempelajari fungsi frekuensi tinggi dalam domain dimensi rendah. Kemajuan dalam Sistem Pemrosesan Informasi Saraf, 33, 7537- 7547. Tang, K. , dkk. , 2015. Meningkatkan klasifikasi gambar dengan konteks lokasi. In: Prosiding Konferensi Internasional IEEE tentang Visi Komputer . 1008-1016.
Tenzer, M., dkk., 2022. Meta-pembelajaran dari waktu ke waktu untuk tugas prediksi tujuan. In:
Prosiding Konferensi Internasional ke-30 tentang Kemajuan dalam Sistem Informasi Geografis . 1-10.
Terry, J.C.D. , Roy, H.E. , dan August, T.A. , 2020. Berpikir seperti seorang naturalis: Meningkatkan visi komputer dari gambar sains warga dengan memanfaatkan data kontekstual. Metode dalam Ekologi dan Evolusi, 11 (2), 303-315.
Tobler, W.R. , 1970. Film komputer yang mensimulasikan pertumbuhan kota di wilayah Detroit.
Economic Geography, 46 (sup1), 234-240.
Trisedya, B.D. , Qi, J. , dan Zhang, R. , 2019. Penyelarasan entitas antara graf pengetahuan menggunakan penyematan atribut. In: Prosiding Konferensi AAAI tentang Kecerdasan Buatan. vol.
33, 297-304.
Vaswani, A., dkk., 2017. Perhatian adalah semua yang Anda butuhkan. Kemajuan dalam Sistem Pemrosesan Informasi Saraf, 30.
Veer, R.V. , Bloem, P. , dan Folmer, E. , 2018. Pembelajaran mendalam untuk tugas klasifikasi pada poligon vektor geospasial. arXiv pracetak arXiv:1806.03857.
Wang, L., dkk., 2019a. Konvolusi perhatian grafik untuk segmentasi semantik awan titik. Dalam:
Prosiding Konferensi IEEE / CVF tentang Visi Komputer dan Pengenalan Pola . 10296-10305.
Wang, Q. , dkk. , 2017. Penyematan graf pengetahuan: Sebuah survei pendekatan dan aplikasi.
IEEE Transactions on Knowledge and Data Engineering, 29 (12), 2724-2743. Wang, Y. , dkk. , 2019b. CNN grafik dinamis untuk pembelajaran pada awan titik. ACM Transactions on Graphics (tog), 38 (5), 1-12.
Wu, W. , Qi, Z. , dan Fuxin, L. , 2019. Pointconv: Jaringan konvolusi dalam pada awan titik 3d. In:
Prosiding Konferensi IEEE / CVF tentang Visi Komputer dan Pengenalan Pola . 9621-9630.
Wu, Z., dkk., 2020. Sebuah survei komprehensif tentang jaringan saraf tiruan. IEEE Transactions on Neural Networks and Learning Systems, 32 (1), 4-24.
Xie, Y., dkk., 2021. Transformasi jaringan dalam yang dipandu secara statistik dan kerangka kerja moderasi untuk data dengan heterogenitas spasial. Dalam: Konferensi Internasional IEEE 2021 tentang Penambangan Data (ICDM) . IEEE, 767-776.
Yan, B. , dkk. , 2017. Dari itdl ke place2vec: Penalaran tentang kesamaan dan keterkaitan jenis tempat dengan mempelajari embedding dari konteks spasial yang diperluas. Dalam: Prosiding Konferensi Internasional ACM SIGSPATIAL ke-25 tentang Kemajuan dalam Sistem Informasi Geografis. 1-10.
Yan, X. , dkk. , 2021. Model autoencoder konvolusi grafik untuk pengkodean bentuk dan kognisi bangunan di peta. Jurnal Internasional Ilmu Informasi Geografis, 35 (3), 490-512.
Yan, X., dkk., 2019. Jaringan saraf tiruan konvolusi grafik untuk klasifikasi pola bangunan
menggunakan data vektor spasial. ISPRS Jurnal Fotogrametri dan Penginderaan Jauh, 150, 259-273.
Yang, J., dkk., 2021. Jaringan transformator implisit untuk gambar konten layar dengan resolusi super kontinu. Kemajuan dalam Sistem Pemrosesan Informasi Saraf, 34.
Yang, L., dkk. , 2022. MLP dinamis untuk klasifikasi citra berbutir halus dengan memanfaatkan informasi geografis dan temporal. In: Prosiding Konferensi IEEE/CVF tentang Visi Komputer dan Pengenalan Pola . 10945-10954.
Yin, Y., dkk., 2019. Gps2vec: Menuju pembuatan penyematan gps di seluruh dunia. Dalam:
Prosiding Konferensi Internasional ACM SIGSPATIAL ke-27 tentang Kemajuan dalam Sistem Informasi Geografis . 416-419.
Yu, W. dan Chen, Y. , 2022. Mengisi kesenjangan poligon kartografi dengan menggunakan model encoder-decoder. IJGIS, 1-26.
Zhang, K. , 2021. Pembelajaran representasi saraf implisit untuk resolusi super citra hiperspektral.
arXiv preprint arXiv:2112.10541.
Dalam: ICLR 2020.
Zhu, R., dkk., 2022. Penalaran atas hubungan spasial kualitatif tingkat tinggi melalui jaringan saraf eksplisit spasial. Jurnal Internasional Ilmu Informasi Geografis, 36 (11), 2194-2225.