最强发文神器：Transformer+GCN！双热点结合轻松发一区！

GCN结合Transformer是一种创新的深度学习模型，它通过融合图卷积网络（GCN）对图结构数据的强大建模能力与Transformer在处理序列数据时的卓越性能，实现了对复杂图结构数据的深度理解和高效处理。

因此，这个策略在很多实际应用场景中非常好用，很多GCN结合Transformer的出色成果都能证明。在GCN（图卷积网络）结合Transformer的最新工作中，就展现出了其强大的性能和广泛的应用潜力：

MP-GT：通过结合GCN和Transformer方法来增强App使用预测的准确性，实现了74.02%的性能提升，且训练时间减少了79.47%。

MotionAGFormer：结合GCNFormer和Transformer以捕捉复杂的局部关节关系，提高3D姿势估计的准确性。实验表明其参数减少了3/4，计算效率涨了3倍。

为了方便大家能够更好的掌握这个创新思路，然后运用到自己的文章中，我为大家整理了最新的Transformer+GCN研究论文！

需要的同学关注工粽号【沃的顶会】 回复 GCN结合 即可全部领取

Tran-GCN: 

A Transformer-Enhanced Graph Convolutional Network for Person Re-Identification in Monitoring Videos

文章解析

本文提出了一种名为Tran-GCN的模型，旨在通过整合局部特征、全局依赖关系和行人姿态信息来提高监控视频中的行人重识别性能。

该模型包括四个关键组件：姿态估计学习分支、Transformer学习分支、卷积学习分支和图卷积模块，分别用于提取行人姿态信息、学习全局依赖关系、提取局部特征和融合多种信息。

创新点

1.提出了一种新的Tran-GCN模型，结合了Transformer和图卷积网络的优势。

2.通过姿态估计学习分支提取行人的姿态信息，增强了模型对姿态变化的鲁棒性。

3.引入了Transformer学习分支，有效捕捉局部特征之间的全局依赖关系。

4.设计了图卷积模块，整合局部特征、全局特征和身体信息，提高了识别精度。

需要的同学关注工粽号【沃的顶会】 回复 GCN结合 即可全部领取

Integrating Features for Recognizing Human Activities through Optimized Parameters in Graph Convolutional Networks and Transformer Architectures

文章解析

本文研究了特征融合技术对人类活动识别准确率的影响。通过使用四个公开数据集（HuGaDB、PKU-MMD、LARa和TUG），评估了Transformer模型和参数优化的图卷积网络（PO-GCN）的性能。

实验结果表明，PO-GCN在多个数据集上表现优于传统模型，特别是在HuGaDB和TUG数据集上分别提高了2.3%和5%的准确率。特征融合技术显著提升了模型的识别能力。

创新点

1.提出了参数优化的图卷积网络（PO-GCN）模型，显著提升了活动识别的准确率。

2.通过特征融合技术，结合了Transformer模型和PO-GCN模型的优势，进一步提高了识别性能。

3.在多个公开数据集上验证了模型的有效性，展示了其在不同场景下的泛化能力。

需要的同学关注工粽号【沃的顶会】 回复 GCN结合 即可全部领取

Spatial-temporal Graph Convolutional Networks with Diversified Transformation for Dynamic Graph Representation Learning

文章解析

本文提出了一种新的空间-时间图卷积网络（STGCNDT），通过引入张量M-乘积和三种不同的变换方案（离散傅里叶变换、离散余弦变换和哈尔小波变换）来捕捉动态图中的复杂时间模式。

该模型能够有效地整合时空信息，避免了现有动态图卷积网络中时空信息分离的问题，并在通信网络中的链路权重估计任务上显著优于现有模型。

创新点

1.提出了STGCNDT模型，通过张量M-乘积和多样化变换方案有效捕捉动态图中的复杂时间模式。

2.设计了统一的图张量卷积网络（GTCN），避免了时空信息的分离和损失。

3.引入了三种变换方案（离散傅里叶变换、离散余弦变换和哈尔小波变换），增强了模型的表示能力。