LGI-GT:局部算子与全局算子交错的图变换

最新推荐文章于 2024-10-16 22:26:17 发布
最新推荐文章于 2024-10-16 22:26:17 发布
阅读量322 收藏 3
点赞数 11
文章标签： 机器学习
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/weixin_43004433/article/details/139320689
版权

LGI-GT:局部算子与全局算子交错的图变换

Shuo Yin , Guoqiang Zhong
Proceedings of the Thirty-Second International Joint Conference on Artificial Intelligence (IJCAI-23)

本文提出了一种新的具有局部和全局算子交错的图Transformer(LGI-GT)，在该转换器中，我们进一步设计了一种传播[CLS]令牌嵌入的新方法，用于全局信息表示。此外，我们提出了一种有效的消息传递模块，称为边缘增强局部关注(EELA)，使LGI-GT成为全关注的GT。

GNN+Transformer方案中的GT

经过若干个GConv层的G1已经是过度平滑图，后续的TLayer层几乎是没有意义的
在这里插入图片描述

并行方案的GT

GPS选择直接相加，操作过于简单可能影响性能
在这里插入图片描述

LGI-GT方案

k个GConvs和k个TLayer以交错方式堆叠
在这里插入图片描述

框架

在这里插入图片描述

bymhq
关注
LGI-局部回旋指数的生成
xxx
01-12 302
局部Gyrification指数（lGI）的灵感来自经典的二维Gyrization指数（2D-GI，（Zilles等人，1988）），它是在二维冠状切片上描绘的脑软脑皮质总表面与大脑周长的比率。Freesurfer 中的方法（作为 -localGI 标志）基于 Marie Schaer 的“A Surface-based Approach to Quantify Local Cortical Gyrification”，该方法计算了整个皮质表面数千个点的局部回旋测量值（另见 HBM’07）。
LG-Transformer：全局和局部建模Transformer结构新作
我爱计算机视觉
07-21 3242
写在前面近段时间，基于Transformer的结构在CV领域展现出了很大的应用潜力，已经逐渐掩盖了CNN的光芒。Transformer的缺点也很明显：计算复杂度和输入的特征大小呈平方的关系...
Local global graph convolutional method LGGCM论文阅读
qq_43598878的博客
04-18 184
Local-Global Graph Convolutional Method LGGCM 总体结构 ​ 图卷积网络共同局限性是只考虑中心点与相邻点之间的相关性，忽略了相邻点本身的关系，在特征提取中，点的坐标不变，所以采集的点云需要是准确的，但由于采集的数据往往有噪声而难以实现。 ​ 本文提出了局部空间卷积运算Local spatial attention convoluton (LSA-ConV)，通过自注意力机制构造局部邻接矩阵，补充点结构之间的相关性。 ​ 图的中心点和节点，通过最远点采样(FP
LGFormer：LOCAL TO GLOBAL TRANSFORMER FOR VIDEO BASED 3D HUMAN POSE ESTIMATION
weixin_44880995的博客
09-06 813
3D HPE
论文阅读：LOGO-Former: Local-Global Spatio-Temporal Transformer for DFER（ICASSP2023）
小刘的博客
11-07 744
在本文中，我们提出了一个简单而有效的局部-全局Transformer（LOGO-Former）和紧凑的损失正则化项在野生动态面部表情识别（DFER）。我们联合应用每个块内的局部注意力和全局注意力来迭代地学习时空表示。为了进一步提高模型的判别能力，我们通过紧凑的损失正则化项对预测分布施加约束，以增强类内相关性并增加类间距离。实验结果和可视化结果表明，我们的方法学习的歧视性时空特征表示，并提高了分类边缘。
MAE-DFER: Efficient Masked Autoencoder for Self-supervised Dynamic Facial Expression Recognition
小刘的博客
10-15 903
提出了一种新的自监督方法MAE-DFER，利用大规模无标签人脸视频数据的自监督预训练来促进DFER的发展 MAE-DFER通过开发高效的LGI-Former作为编码器，并联合外观和时序面部运动掩码自编码器进行建模，改进了VideoMAE。通过这两个核心设计，MAE-DFER在具有相当甚至更好的性能的同时，大大降低了计算成本。 在6个DFER数据集上的大量实验表明，MAE-DFER在显著性上优于之前最好的监督方法
Text to image论文精读DR-GAN：分布正则化的生成对抗网络 Distribution-Regularization-for-Text-to-Image-Generation
白洞，白色的明天在等着我们
12-16 3115
DR-GAN是北京理工大学者和大连理工大学学于2022年4月提出的一种新的文本到图像生成模型，称为分布正则化生成对抗网络（Distribution-Regularization-for-Text-to-Image-Generation，DR-GAN）
matlab微分方程代码-LocalGyrificationIndex:LGI：皮质形状自适应局部回旋指数
05-23
matlab微分方程代码本地回旋指数 描述 通常在等距测地线或最近邻域环核覆盖的局部皮质区域内测量皮质折叠或回旋的量。 但是，如果不进行仔细的设计，则这样的内核将很容易覆盖...lgi文件（.txt）：每个顶点的本地回旋
ag-ops:SysAdmins或DevOps的有用工具
03-28
阿格普斯 用于SysAdmins或DevOps的ebuild集，供在Gentoo上使用。 试图保留一些有用工具的更新版本... 与LuaDoc兼容的文档生成系统 3 dev-lua/lgi 使用gobject-introspection的Lua绑定 4 dev-lua/luafilesystem Lua
awesome-config:AwesomeWM的自定义配置文件
04-10
Awesomewm的Dotfiles 依存关系 为了使整个程序正常运行，您需要安装以下组件 恶毒（lua） lunajson（lua） lgi（lua） 补间（lua） 播放器 太平洋 光 inotifywait 去做 添加自述文件 添加屏幕截图
DAE-GAN: 动态方面感知GAN用于文本到图像合成
13960DAE-GAN：用于文本到图像合成的动态方面感知GAN阮淑兰1†、张勇2*、张昆3、范彦博2、唐凡4、刘琦1、陈恩红1*1中国科学技术大学计算机科学与技术学院2腾讯AI实验室、3合肥工业大学、4吉林大学slruan@mail.ustc....
机器学习与深度学习的分类
ydl1128的博客
10-16 294
机器学习和深度学习各有分类和算法，各自适用于不同的问题。机器学习在特定任务上相对简单、易于解释，但在处理复杂模式时可能表现不佳；而深度学习通过复杂的模型能够处理高维数据，但训练成本高且需要大量数据。选择适当的算法和方法，基于具体的应用场景和数据特点，可以更好地实现问题的解决。
demo_GAN
yyfhq的博客
10-16 343
这个操作会将图像数据从0-255的整数值范围（如果是uint8类型）转换为0-1之间的浮点数范围，并且会将图像的形状从(H, W, C)转换为(C, H, W)，其中H是高度，W是宽度，C是通道数。# 这是一个Leaky ReLU激活函数层，它的作用是将负数的输入值乘以一个小的常数（这里是0.2），然后将结果作为输出，在原始数据上进行操作。transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 归一化到 [-1, 1]
机器学习——解释性AI
hong161688的博客
10-13 725
解释性AI（XAI）是一种人工智能技术，旨在提高ML模型和AI系统决策的解释和可解释性。XAI通过揭示AI系统背后的推理、决策和预测过程，以及解释其结果和行为，使人们能够理解、相信和信任AI系统的行为。传统的机器学习算法（如决策树、逻辑回归等）通常可以提供一定程度的解释性，因为它们的决策过程相对简单和可理解。然而，随着深度学习和神经网络的兴起，由于其复杂的结构和黑盒性质，这些模型往往难以解释，即人们难以理解它们如何进行决策和预测。XAI的目标是开发出一系列技术和方法，以提供对黑盒模型的解释能力。
【动物识别系统】Python+卷积神经网络算法+人工智能+深度学习+机器学习+计算机课设项目+Django网页界面
子午的博客
10-12 730
动物识别系统。本项目以Python作为主要编程语言，并基于TensorFlow搭建ResNet50卷积神经网络算法模型，通过收集4种常见的动物图像数据集（猫、狗、鸡、马）然后进行模型训练，得到一个识别精度较高的模型文件，然后保存为本地格式的H5格式文件。再基于Django开发Web网页端操作界面，实现用户上传一张动物图片，识别其名称。
诺贝尔物理学奖：机器学习与神经网络的时代
Xinnnnn的博客
10-16 212
2024年诺贝尔物理学奖的颁发，无疑是对机器学习与神经网络研究者努力的认可。这不仅是一个奖项，更是新的科研方向的起点。随着科技不断进步，我们将继续深入探讨机器学习在各个领域的潜力与挑战，期待它为人类社会带来更大的变革与进步。在这个充满可能性的时代，科学探索的旅程才刚刚开始。
李宏毅机器学习2022-HW7-BERT-Question Answering
最新发布
Tunny_one
10-16 427
李宏毅机器学习2022-HW7-BERT-Question Answering
机器学习中的优化算法-1-梯度下降及其变体
jianqimingtian的博客
10-16 190
该算法的工作原理是在当前点的函数梯度 （或近似梯度） 的相反方向上采取重复步骤，因为这是最陡下降的方向。换句话说，优化可以定义为获得给定函数的最佳值或最小值的一种方式。在大多数问题中，目标函数 f（x） 是受约束的，目的是确定最小化或最大化 f（x） 的？优化算法是机器学习模型的支柱，因为它们使建模过程能够从给定的数据集中学习。这些算法用于查找目标函数的最小值或最大值，该函数在机器学习上下文中代表误差或损失。在本文中，讨论了不同的优化方法以及它们在机器学习中的用途及其意义。机器学习中的优化算法。
机器学习篇-day04-逻辑回归-分类评估-混淆矩阵-精确率-召回率-F1值
m0_60916732的博客
10-09 1375
设模型中含有待估参数w，可以取很多值。已经知道了样本观测值，从w的一切可能值中（选出一个使该观察值出现的概率为最大的值，作为w参数的估计值，这就是极大似然估计。（顾名思义：就是看上去那个是最大可能的意思）# 导包​# 1. 加载数据# 查看数据基本信息​# 2. 数据处理# 2.1 用np.NaN替换?', np.NaN)# 2.2 删除缺失值, 按行删除data.dropna(inplace=True) # 默认按行删除 => axis=0 or index。
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