论文阅读：BLDnet: a semi-supervised change detection building damage framework using graph convolutional

文章内容总结

提出了 BLDNet，这是一种混合​​ CNN 和 GCN 的新颖架构，以半监督方式进行训练，以便及时获得预测。此外，文章介绍了如何将建筑和上下文建筑特征（元特征：狄罗尼三角网构建的先验特征）作为领域知识合并到图中，以改进预测结果。这是一种新颖的图结构，用于构建损伤变化检测，并能够从局部模式和非平稳邻域学习关系和表示，算法算法在xBD 数据集上进行训练和测试。
代码链接
文章链接

文章贡献

文章贡献：
• 建筑损坏识别的新颖表述为图节点分类，以根据局部特征以及与相邻样本的关系来学习表示。
• BLDNet，一种基于 Siamese CNN 的新颖架构，结合以半监督方式训练的 GCN，以减少获得新预测所需的标记样本数量。

• 通过知识域注入从贝鲁特港 2020 年爆炸中收集的城市数据的案例研究。
本文方法的总体架构：使用孪生网络提取深度特征像素（去除分类层）作为图节点，采用狄洛尼三角网确保建筑与周围邻居的连接（连接关系），变得权重用于度量节点之间的相似性，并将元特征嵌入到图中(改进领域知识的学习)。

文章数据处理思路（值得借鉴的）：采用卷积网络来进行提取，利用图卷积网络探索全局特征关系。
文章代码是基于torch_geometric实现

总结一下图卷积神网络使用的库：

内容来自于文心一言

• NetworkX：

NetworkX是一个用于创建、操作和研究复杂网络的库。它提供了大量的图算法和绘图工具，使得构建和分析图结构变得简单。
官方网站：https://networkx.org/

• PyTorch Geometric (PyG)：

PyTorch Geometric是基于PyTorch的几何深度学习扩展库，专注于图神经网络。它包含多种图神经网络模型和数据结构，可以方便地构建和训练GCN模型。
官方网站：https://pytorch-geometric.readthedocs.io/en/latest/

• DGL (Deep Graph Library)：

DGL是一个用于深度学习图模型的库，支持PyTorch和MXNet后端。它提供了大量的图神经网络层、模型和工具，可以高效地实现图卷积神经网络。
官方网站：https://www.dgl.ai/

• Spektral：

Spektral是一个用于图神经网络的Python库，它支持TensorFlow和Keras后端。Spektral提供了多种图神经网络模型和数据加载器，使得构建和训练图神经网络模型变得简单。
官方网站：https://github.com/danielegrattarola/spektral

• StellarGraph：

StellarGraph是一个用于机器学习的图神经网络库，基于TensorFlow和Keras构建。它提供了用于节点分类、链接预测和图嵌入的算法，以及用于加载和预处理图数据的工具。
官方网站：https://stellargraph.readthedocs.io/en/stable/

• Graph-tool：

Graph-tool是一个高效、灵活且易于使用的Python库，用于处理和分析大型网络。尽管它主要关注网络分析而不是深度学习，但它提供了强大的图结构处理和数据可视化功能。
官方网站：https://graph-tool.skewed.de/

• IGraph：

IGraph是一个开源的图和网络分析工具库，可用于C、C++和Python等语言。它提供了一组功能强大的算法和工具，用于创建、操作和分析复杂网络。
官方网站：https://igraph.org/python/