超级会员免费看
本文详细介绍了频域卷积网络，特别是针对图的傅里叶变换和拉普拉斯矩阵的应用。通过图傅里叶变换，将传统傅里叶变换的概念扩展到图结构上，提出图上的卷积公式，为图卷积神经网络（Spectral CNN）奠定理论基础。文中探讨了傅里叶变换在图像去噪、加速卷积运算等方面的作用，并阐述了图拉普拉斯矩阵在无向图中的应用。
《原始论文：Spectral Networks and Locally Connected Networks on Graphs》
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，主要涉及到傅里叶变换(Fourier Transform)和拉普拉斯算子(Laplacian operator)。
一、前置内容
如上所述，我们将介绍两个主要的知识点：
- 傅里叶变换
- 拉普拉斯算子
在介绍之前，我们先抛出两个问题：1. 什么是傅里叶变换; 2. 如何将傅里叶变换扩展到图结构上。
订阅专栏 解锁全文
扫一扫
1720
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
