CVPR-2017-paper MoNet（空间卷积方法）

MoNet（2017-CVPR）空间方法

摘要

到目前为止，大多数深度学习研究都集中在处理一维、二维或三维欧几里德结构的数据，如声音信号、图像或视频。近年来，几何深度学习越来越受到人们的关注，试图将深度学习方法推广到非欧几里德结构的数据，如图和流形，在网络分析、计算社会科学或计算机图形学等领域有着广泛的应用。在本文中，我们提出了一个统一的框架，允许将CNN架构推广到非欧几里德域（图和流形），并学习局部、平稳和组合任务特定的特征。

主要贡献

1. 提出了混合模型网络（MoNet），一个允许在非欧几里德域（如图和流形）上设计卷积深体系结构的通用框架。
2. 方法遵循空间域方法的一般原理，将类似卷积的操作作为模板匹配，与图或流形上的局部内在“面片”匹配。关键的新颖之处在于提取面片的方式：以前的方法使用固定的面片，例如在测地坐标系或扩散坐标系中，我们使用参数化构造。

图的深度学习

拉普拉斯矩阵：

D是图的度矩阵，W是图的邻接矩阵。
拉普拉斯算子特征分解：

对于依稀信号f，傅里叶转换为：

那么给定两个信号f，g（卷积核），谱卷积定义为：

改进：切比雪夫多项式基的显式展开来表示谱滤波器
切比雪夫多项式定义：

方法

1. 定义多个内核函数（是否已参数化）以测量目标节点与其他节点之间的相似性
2. 卷积核是这些核函数的权重

根据上下文，我们用x表示流形上的一个点或一个图的顶点，并考虑x的邻域中的点y∈N${}_x$。对于每个这样的y，我们将伪坐标u（x，y）的d维向量相关联。在这些坐标系中，我们定义了一个加权函数（核）

由一些可学习的参数Θ参数化。因此，patch操作符可以用以下通用形式编写

所以空间推广为：

我们构造的两个关键选择是伪坐标u和权函数w（u）。
本文W（u）选择为：