一区Top力推！时空特征融合还能这么玩！思路进阶必码

给同学们推荐个发文好方向——时空特征融合！不管是学术界还是工业界，它都是香饽饽！

一方面，机器人、物流、医疗这些实际场景，都需要更强的时空特征融合技术来支撑。另一方面，它还是CV、NLP、数据挖掘的交叉热点，创新切入点很多，各大顶刊顶会都能看到相关研究，比如Information Fusion上的ST-Camba框架、AutoGRN模型。

而且这个方向看趋势还能火挺久，感兴趣的同学快冲！我这边整理了12篇时空特征融合前沿论文，方便大家深入了解，部分还附了开源代码，大家有问题欢迎来交流~

扫码添加小享，回复“时空特征融合”  

免费获取全部论文+开源代码

ST-Camba: A decoupled-free spatiotemporal graph fusion state space model with linear complexity for efficient traffic forecasting

方法：ST-Camba是一种新的交通预测模型，它通过将空间和时间特征融合到一个统一的状态空间模型中，避免了传统方法中空间和时间的分离处理，从而更有效地捕捉交通数据中的复杂时空关系，提高预测精度并降低计算成本。

创新点：

• 提出ST-Camba模型，将空间维度直接融入状态空间方程，实现时空特征的融合。
• 设计ASS Injector，动态捕捉交通网络中的空间依赖性，自适应调整信息流。
• 引入LGU，控制信息流动，在保持高预测精度的同时显著降低了计算成本，提升效率。

AutoGRN: An adaptive multi-channel graph recurrent joint optimization network with Copula-based dependency modeling for spatio-temporal fusion in electrical power systems

方法：AutoGRN通过自动构建空间子图和改进的序列编码器，分别学习电力系统的空间特征和时间序列的长期趋势。接着，利用多通道图神经网络融合这些时空特征，并使用Copula函数建模变量间的复杂依赖关系，以提升多变量时间序列预测的准确性。

创新点：

• 自动学习空间特征子图，捕捉电力系统中复杂的地理空间关系，相比手动定义的图结构有更优的性能。
• 引入改进的序列编码器，提取长期时间序列特征，增强模型对时间动态的捕捉能力。
• 多通道图神经网络结合Copula函数，融合时空特征并建模变量依赖关系。

STFCropNet: A Spatiotemporal Fusion Network for Crop Classification in Multiresolution Remote Sensing Images

方法：论文提出了一种名为STFCropNet的时空融合网络，用于多分辨率遥感图像中的作物分类。STFCropNet通过融合高分辨率图像的几何细节和中分辨率时间序列图像的季节性光谱变化，实现细粒度作物分类，有效减少了椒盐噪声的影响，提高了分类精度。

创新点：

• 提出STFCropNet网络，结合高分辨率和中分辨率时间序列图像，实现细粒度作物分类。
• 设计时空融合模块，动态调整不同特征的重要性，强调关键特征区域，减少椒盐噪声影响。
• 在两个具有显著地形和作物类型差异的研究区域进行实验，STFCropNet在总体准确率、平均交并比和宏F1分数上均优于基准模型。

MFF-EINV2: Multi-scale Feature Fusion across Spectral-Spatial-Temporal Domains for Sound Event Localization and Detection

方法：论文提出了一种名为MFF-EINV2的方法，用于声音事件定位与检测（SELD）。MFF-EINV2通过并行子网络提取频谱和空间特征，利用时间频率卷积模块提取时间特征，并通过重复多尺度融合提升特征表示，增强声音事件定位与检测的精度。

创新点：

• 提出MFF模块，利用多尺度并行子网络架构，高效提取频谱和空间特征，增强对复杂声场的表征能力。
• 引入时间频率卷积模块，通过不同扩张率的深度卷积层，捕捉多尺度时间特征，提升对声音事件时序变化的感知。
• 采用重复多尺度融合技术，增强子网络的特征表示能力，提升声音事件定位与检测的精度。