图神经网络系列（四）：空域与频域、感受野

最新推荐文章于 2024-03-06 17:35:13 发布
最新推荐文章于 2024-03-06 17:35:13 发布
阅读量2k 收藏 17
点赞数 5
分类专栏： 大创 深度学习 图神经网络 文章标签： 卷积 神经网络 卷积神经网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_49423899/article/details/113457770
版权
本文深入探讨了空域卷积（SpatialConvolution）和频域卷积（SpectralConvolution）在图神经网络（GCN）中的作用和关系。空域卷积直接在图节点上操作，而频域卷积利用拉普拉斯矩阵进行复杂数学变换。两者各有优势，为空间结构复杂的数据提供不同的处理方式。同时，文章介绍了感受野的概念，并提供了丰富的学习资源，帮助读者更好地理解和实现图神经网络。
摘要由CSDN通过智能技术生成
深度学习·理论篇(2023版)·第011篇卷积神经网络计算公式与参数量频域计算：卷积计算详解+卷积层全连接层池化层参数量计算+计算频域卷积
小李的研究生学习日记
04-07 629
卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT（输入层）-CONV（卷积层）-RELU（激活函数）-POOL（池化层）-FC（全连接层）
【GNN】图神经网络（空域角度）
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
12-09 539
目录 1、简介 2、内容 一、CNN到GCN 二、GraphSAGE 三、GCN 四、GAT 五、MoNet 六、谱方法和空间方法的关系 3、参考 1、简介 本文主要从空间方法定义卷积操作讲解GNN 2、内容 一、CNN到GCN 首先我们来看看CNN中的卷积操作实际上进行了哪些操作： 因为图像这种欧式空间的数据形式在定义卷积的时候，卷积核大小确定，那每次卷积确定邻域、定序、参数共享都是自然存在的，但是在图这样的数据结构中，邻域的确定就并不容易。 解决方法如下： .
GNN学习—卷积图神经网络（空域）
bujiatang的博客
11-09 5036
第2篇—卷积图神经网络CNN简介ConvGNNsSpectral-based ConvGNN三级目录Spatial-based ConvGNNDCNNPATCHY-SANGraphSAGEGAT 本篇介绍ConvGNNs（卷积图神经网络 ），从卷积神经网络（CNN）说起，再引出卷积图神经网络。 CNN简介 CNN全称为convolutional Neural Networks，译为卷积神经网络。 产生原因 在 CNN 出现之前，图像对于人工智能来说是一个难题，有2个原因： 1、图像需要处理的数据量太大，
图神经网络---台大李宏毅老师助教---听课笔记
野生蘑菇菌的博客
05-10 1080
首先上链接台大李宏毅助教讲解GNN图神经网络 图神经网络---台大李宏毅老师助理---听课笔记一、为什么要用图神经网络二、时域上的图神经网络三、频域上的图神经网络 一、为什么要用图神经网络 图神经网络和单纯神经网络一个很大的区别就是，图神经网络有节点和边的这种结构。 具体应用上，图神经网络可以识别具有图片，文字等结构信息。 比如识别一个人物的身份的任务就需要首先识别人，然后识别与之相关的其他人的信息（利用边连接），最后综合这些信息得出判断 二、时域上的图神经网络 1、 更新单个节点时，把邻居节点加起来，
空域图卷积神经网络理解 GCN，GAT，GraphSAGE讲解
最新发布
WANGYANG的博客
03-06 2123
在这一章中，对两种空域图神经网络模型——GAT（图注意力网络）和GraphSAGE，以及对GCN（图卷积网络）的空域解读进行深入分析。这些讲解旨在帮助读者迅速掌握图神经网络领域的基础知识，使其能够在阅读相关论文时容易理解公式，从而避免对这些理论感到反感。同时，这样的基础知识也让读者将重点放在论文的创新点上，而不必纠结于概念初学的困惑。在后续的文章中，我们还将为其他模型提供详尽讲解。至此，入门篇章就告一段落了。如果这些内容能帮到您，我也会感到十分欣慰。
图卷积神经网络笔记——第三章：空域图卷积介绍（1）
热门推荐
Ma Sizhou
06-09 1万+
目录一、简介1、回顾谱域图卷积2、谱域图卷积的缺陷二、四个空域卷积模型1、GNN 上一小节: 链接. 空域图卷积主要是围绕什么是卷积展开，介绍四个空域卷积模型，分别是：GNN、GraphSAGE、GAT、PGC 一、简介 1、回顾谱域图卷积 2、谱域图卷积的缺陷 空域卷积没有涉及太多的数学知识，所以直接开始四种模型的介绍。 二、四个空域卷积模型 1、GNN GNN回答卷积就是：固定数量领域节点排序后，与相同数量的卷积核参数相乘求和。这有点绕口，实际上就是说，GNN认为卷积分为两步，
一文了解图神经网络（）
Java_college的博客
05-09 1199
导读：图神经网络，科技网络热词！！！ 研究背景 传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数据上的表现却仍难以使人满意。例如，在电子商务中，一个基于图（Graph）的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐，但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。这是因为图是不规则的，每个图都有一个大小可变的无序节点，图中的每个节点都有不同数量的相邻节点，导致一些重要的操作（
图神经网络：方法与应用 | 一文展望，四大待解问题
BAAIBeijing的博客
08-19 2090
在 AI Open 杂志 2020 年第一卷中，清华大学周杰等人发表了综述性论文《Graph neural networks: A review of methods and applic...
GNN学习—卷积图神经网络(谱域)
bujiatang的博客
11-24 5657
第3篇—卷积图神经网络-Spectral引言背景知识谱域图卷积实现思路数学知识模型介绍SCNNChebNetGCN 上一篇介绍了卷积图神经网络的空间域模型，本篇总结谱域的方法及模型。 引言 经典卷积网络处理的对象是欧式空间中的数据，他们有着序列有序性和维数一致性的特点，即该类网络只能处理固定输入维度的数据并且局部输入数据必须有序，语音、图像、视频等（规则结构）数据满足以上要求，但是并不适用于图结构数据（非欧空间数据）。 因为图结构的数据的特点是序列无序性和维数可变性。其中序列无序性是指：下图中红色节点的邻居
一文讲通谱域图神经网络：从图信号处理GSP到图卷积网络GCN
O_1CxH的博客
09-17 1011
谱域图神经网络：从图信号处理GSP到图卷积网络GCN 文章目录谱域图神经网络：从图信号处理GSP到图卷积网络GCN图信号处理拉普拉斯矩阵拉普拉斯矩阵的意义拉普拉斯矩阵的变形图傅里叶变换关于矩阵特征向量、值拉普拉斯矩阵的特征向量、值图傅里叶变换图滤波器任意频率响应在空域上的含义图卷积层图卷积参数化、SCNN与ChebNetKipf的GCN layer空域模型与频域模型图卷积网络GCNGCN与CNN的联系从节点视角看GCN层从节点视角看GCN与CNNGCN的性质与问题GCN与Weisfeiler-Lehman算
图卷积神经网络的应用研究
04-01
Graph Neural Networks A Review of Methods and Applications
GNN-图神经网络
zhaohui blog
02-28 455
图神经网络笔记
如何从频域的角度解释CNN（卷积神经网络）？
深度学习与计算机视觉
11-07 3324
链接：https://www.zhihu.com/question/59532432/answer/1510340606编辑：深度学习与计算机视觉声明：仅做学术分享，侵删时域卷积=频域乘...
NeurIPS 2021 | 华为诺亚Oral论文：基于频域的二值神经网络训练方法
Paper weekly
12-17 512
©作者|机器之心编辑部来源|机器之心常规符号函数的梯度几乎处处为零，不能用于反向传播。为此，来自华为诺亚方舟实验室等机构的研究者提出一种在频域中估计原始符号函数梯度的新方法。二值神...
GNN-频域-2014：Spectral Networks and Locally Connected Networks on Graphs（频谱图卷积神经网络）【第一篇从频域角度分析】
u013250861的博客
10-31 1175
空域卷积非常直观地借鉴了图像里的卷积操作，但缺乏一定的理论基础。而频域卷积则不同，相比于空域卷积而言，它主要利用的是**图傅里叶变换(Graph Fourier Transform)**实现卷积。简单来讲，它利用图的**拉普拉斯矩阵(Laplacian matrix)**导出其频域上的的拉普拉斯算子，再类比频域上的欧式空间中的卷积，导出图卷积的公式。虽然公式的形式与空域卷积非常相似，但频域卷积的推导过程却有些艰深晦涩。接下来我们将攻克这部分看起来很难的数学公式，主要涉及到。
基于空间的图卷积网络和基于谱的图卷积网络（spectral-based GCN and spatial-based GCN)
qq_44689178的博客
03-10 6910
基于空间的图卷积网络和基于谱的图卷积网络（spectral-based GCN and spatial-based GCN)的介绍
长文详解图神经网络
小白学视觉
12-06 959
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达转自：知乎链接：https://zhuanlan.zhihu.com/p/108294485本文仅作学术分享，若侵权，请联系后台删文处理作者最近看了一些图与图卷积神经网络的论文，深感其强大，但一些Survey或教程默认了读者对图神经网络背景知识的了解，对未学过信号处理的读者不太友好。同时，很多教程只讲是什么，不讲为什么，也没有梳...
卷积后的特征有负数吗?_图卷积GCN
weixin_39775029的博客
12-03 934
什么是卷积炫云：卷积与傅里叶变换的关系卷积的数学定义是 一般称g为作用在f上的filter或kernel一维的卷积示意图如下大家常见的CNN二维卷积示意图如下在图像里面卷积的概念很直接，因为像素点的排列顺序有明确的上下左右的位置关系。那在抽象的graph里面卷积该怎么做呢比如这个社交网络抽象出来的graph里面，有的社交vip会关联上万的节点，这些节点没有空间上的位置关系，也就没办法通过上面给出的...
线性Frequency Principle动力学：定量理解深度学习的一种有效模型
Paper weekly
06-12 1418
关于作者：本文的作者是来自上海交通大学致远学院 08 级理科班的四位研究人员。本文由许志钦执笔，张耀宇修改，罗涛和马征审阅校正。这个小组的研究兴趣主要是深度学习理论。深度...
图像增强技术详解：空域与频域处理
"图像增强的主要方法包括点处理、模板操作以及直方图变换等，旨在改善图像的视觉效果或增强特定特征。空域增强通过直接影响像素值进行，如图像平滑和锐化。频域增强则涉及傅里叶变换，利用滤波器对频谱进行操作。" ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值