- 博客(23)
- 收藏
- 关注
RSS订阅原创 ubuntu16.04安装nvidia显卡驱动
1.禁用nouveauubuntu 16.04默认安装了第三方开源的驱动程序nouveau，安装nvidia显卡驱动首先需要禁用nouveau，不然会碰到冲突的问题，导致无法安装nvidia显卡驱动。1.1 编辑文件blacklist.confsudo vim /etc/modprobe.d/blacklist.conf若未安装vimsudo apt-get install vim1.2 禁用 nouveau在文件最后部分插入以下两行内容blacklist nouveauoptions
2020-11-17 15:47:28
521
1
原创 《Object Co-segmentation via Graph Optimized-Flexible Manifold Ranking》阅读笔记
1.模型框架2.SLIC聚类
2020-07-04 16:29:23
402
原创 《SLIC Superpixels Compared to State-of-the-Art Superpixel Methods》阅读笔记
1.SLIC算法SLIC是一种对图像进行无监督聚类得到超像素的一种方法，通过对K-means聚类算法改进得到，有效的降低了计算复杂度。相比于K-mean算法，SLIC算法将每个聚类中心的搜索范围从全图缩小到了2S×2S2S\times 2S2S×2S。2.SLIC算法流程1.SLIC算法是在CIELAB空间对图像进行像素聚类的，所以初始化KKK个聚中心为：C={Ck∣Ck=[lk,ak,bk,xk,yk]}C=\{C_k|C_k=[l_k,a_k,b_k,x_k,y_k]\}C={Ck∣Ck=[
2020-07-01 21:39:41
712
原创 《Attention Graph Convolution Network for Image Segmentation in Big SAR Imagery Data》笔记
1.AGCN模型结构模型利用SLIC(Simple Linear Iterative Clustering)SLIC(Simple\ Linear\ Iterative \ Clustering)SLIC(Simple Linear Iterative Clustering)算法对整幅图像进行无监督聚类，得到大量的图像块，称为超像素。接着利用CNN对每个超像素进行特征提取作为每个节点的特征，利用超像素之间的邻接关系作为节点的邻接矩阵，利用像素投票
2020-06-27 11:26:00
696
原创 《Graph U-Nets》阅读笔记
1.g-U-Nets框架作者将图像分割领域的unte模型进行迁移，通过重新定义图池化和图上采样，将unet框架迁移到图节点分类领域2.图池化层节点特征池化：1.设置可学习参数p∈RFp\in R^Fp∈RF,FFF表示节点的特征维度，通过向量ppp将节点特征映射为一个标量，y=Xlpl/∣∣pl∣∣y = X^lp^l/||p^l||y=Xlpl/∣∣pl∣∣其中，XlX^lXl为图的节点特征，yyy为映射得到的标量构成的向量。之后，选出最大的前k个值对应的节点特征：idx=rank(
2020-06-27 11:12:35
1873
原创 《Dual Graph Convolutional Networks for Graph-Based Semi-Supervised Classification》论文理解
1
2020-06-05 21:26:06
2289
1
原创 《Adaptive Graph Convolutional Neural Networks》论文理解
1.AGCN模型框架AGCN由多个连续层组合而成，其核心层为SGC-LL层。层组合包括一个SGC-LL层，一个批处理归一层和一个图最大池化层。在每个SGC-LL层训练残差图Laplacian，并在接着一层图池层。在下一个SGC-LL层之前，自适应图(固有+残差图)一直被重用，因为SGC-LL会变换特征，所以下一个SGC-LL需要重新训练一个新的残差图。在进过上述组合层（SGC-LL层，批处理归一层，图最大池化层）后，批处理的图形结构将被更新，而图形大小保持不变。由于任何图像粗化或特征平均都将破坏信息性局
2020-06-05 10:52:17
3578
3
原创 《Multi-Label Image Recognition with Graph Convolutional Networks》论文理解
0.动机多标签图像识别的两个重要问题：（1）如何有效获取目标标签之间的相关性？（2）如何利用这些标签相关性提升分类表现？作者使用图（graph）来对标签之间的相互依赖关系进行建模，来灵活地获取标签空间中的拓扑结构：（1）由于从词嵌入向量到分类器的映射参数在所有类别中是共享的，所以学习到的分类器能够在词嵌入空间中（语义相关的概念在词嵌入空间中彼此临近）保留较弱的语义结构。与此同时，对于可以对标签依赖性进行隐式建模的分类器函数，所有分类器的梯度都会对它产生影响。（2）基于标签的共现模式，设计了一个全
2020-05-30 10:15:34
485
原创 GCN（1stChebNet）节点分类代码
1. 数据""" ind.dataset_str.x => the feature vectors of the training instances as scipy.sparse.csr.csr_matrix object; ind.dataset_str.tx => the feature vectors of the test instances as scipy.sparse.csr.csr_matrix object; ind.dataset_str.all
2020-05-29 10:11:13
2174
原创 《Large-Scale Learnable Graph Convolutional Networks》论文理解
0.动机1.LGCL算法框架使得卷积神经神经网络无法直接应用于图数据的原因主要有两个：（1）图数据没有固定数量的领域节点；（2）图数据的节点没有显式或者隐式的顺序；在LGCL算法中，作者通过k-最大节点选择部分确定图数据的邻域节点以及领域节点的顺序;通过1-D卷积神经网络将节点的邻域信息进行卷积形式的信息聚合得到输出。下图为LGCL的算法流程图。2.k-最大节点选择k-最大节点选择的主要目的就是将图结构数据转化为欧式结构的网格状数据。函数公式表示为:Xl~=g(Xl,A,k)(1)\til
2020-05-15 22:59:17
365
2
原创 《Diffusion-Convolutional Neural Networks》论文理解
0.动机1.DCNN框架DCNN以节点的特征矩阵以及节点的概率转移矩阵（可以认为是结构矩阵）为输入，然后以每个节点为中心，将不同的跳（hop）上的节点信息进行聚合，得到前HHH跳的聚合向量，构成节点的扩散表示Zt(i,:,:)∈RH×FZ_t(i,:,:)\in R^{H\times F}Zt(i,:,:)∈RH×F，所有节点的扩散表示组成张量Zt∈RNt×H×FZ_t\in R^{N_t\times H\times F}Zt∈RNt×H×F。对节点（图）的分类任务就是将扩散表示直接送入全连接网络
2020-05-15 14:59:56
812
原创 《GRAPH ATTENTION NETWORKS》论文理解
1. 图注意力层输入为节点特征h={h⃗1,...,h⃗N},h⃗i∈RFh=\{\vec{h}_1,...,\vec{h}_N\},\vec{h}_i\in R^Fh={h1,...,hN},hi∈RF,NNN表示节点得数量。为了得到更具有表达能力得特征，需要把原来得输入特征h⃗i\vec{h}_ihi进行一次可学习得线性映射（也就是输入了一个全连接层），得到一组新的节点表示h′={h...
2020-05-08 20:55:37
276
原创 《Inductive Representation Learning on Large Graphs》论文理解
0.GraphSAGE算法框架GraphSAGE算法框架主要由两个部分组成：1.对节点的领域进行选择；2.利用聚合函数对节点的邻域信息进行聚合得到图嵌入向量；论文中介绍了两种得到嵌入节点的方法：第一种（算法1）是一次性所有节点得到所有节点的嵌入向量，可以用来得到节点的预测标签；第二种（算法二）是minibatchminibatchminibatch的方法，也就是选择图中部分节点，输出这...
2020-05-06 15:36:24
444
原创 《Learning Convolutional Neural Networks for Graphs》论文理解
0.标签函数标签函数l:V→Sl:V\rightarrow Sl:V→S，表示对GGG无序节点VVV的一种排序，得到有序的节点序列SSS,排序函数r:V→{1,...,∣V∣}r:V\rightarrow \{1,...,|V |\}r:V→{1,...,∣V∣},表示对无需节点的一种编号方式。且满足：在通过lll得到的有序节点集合在SSS中，排序l(v)l(v)l(v)在l(u)l(u)l(u...
2020-04-27 23:14:35
326
原创 Spectral-based ConvGNNs
1.图的基本定义一个图是由顶点VVV和边BBB组成,(n,m)(n,m)(n,m)表示由nnn连接到mmm的边；图分为有向图和无向图，在无向图中，(n,m)=(n,m)(n,m)=(n,m)(n,m)=(n,m)，但是在有向图中并不满足这条性质。一个图可以由它的 邻接矩阵AAA 来表示，若图中有NNN个节点，A∈RN×NA\in R^{N×N}A∈RN×N,AAA中每一个元素Amn∈{0,1}...
2020-04-22 21:42:07
524
2
原创 3.《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》论文理解
在《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》 中，作者对《Convolutional Neural Networks on Graphswith Fast Localized Spectral Filtering》作出了改进，提出了以下创新：（1）提出了一个可以直接在图上操作的神经网络模型的逐层传播规则；...
2020-04-11 16:31:10
361
原创 2.《Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering》论文理解
泛化卷积网络到图上需要以下3个基本的步骤：（1）在图上设计出局部的卷积核（2）将的相似节点聚类的图粗化过程（3）将空间分辨率转化为更高的滤波器分辨率的图池化操作定义无向图G=(V,E,W)G=(V,E,W)G=(V,E,W),其中VVV是节点的集合，∣V∣=n|V|=n∣V∣=n，EEE是边的集合，WWW是节点之间的邻接矩阵，DDD是度矩阵，并且Dii=∑jWijD_{ii}=\sum_{...
2020-04-10 10:50:32
615
原创 1.《Spectral Networks and Deep Locally Connected Networks on Graphs》论文理解
在欧式空间中使用的CNN卷积具有平移不变性，权值共享，局部连接，分层次表达的特点；但是图网络是一种非欧式结构的数据，网络是不规整的关系型数据，所以其不存在平移不变形（每个节点的周围邻居数不固定），导致图网络无法使用传统的CNN。不使用卷积核卷积的话，只能按照全连接网络的方式进行线性映射，这样又将失去权值共享，局部连接，分层次表达这些优势，需要大量的参数。在《Spectral Networks a...
2020-04-06 00:45:30
3326
3
原创 pytorch目标跟踪（二）
1.目标跟踪的框架刚接触目标跟踪，尝试了一种较为简单的目标跟踪方法，原理图如下： 图一训练过程：输入上一帧的目标包围框，上一帧的图像，当前帧的图像，标签为当前帧的目标包围框（简称bb）。首先得到输入后，以bb的中心剪出上一帧图像和当前帧图像4倍大的样本（宽高各为原来的两倍），之后再resize为（127，127）大小的图像，同时，当前帧bb需要进行相应的运算，得到bb在resize后的...
2020-04-03 00:27:01
1952
2
原创 ubuntu16.04卸载和安装CUDA以及CUDNN
1.CUDA卸载卸载原来的cuda9.0（不需要卸载显卡驱动）：sudo /usr/local/cuda-8.0/bin/uninstall_cuda_9.0.pl卸载之后， /usr/local/cuda-9.0目录下任然有文件存在，这是cudnn文件，还需要将cuda-9.0文件删除干净：sudo rm -rf /usr/local/cuda-9.02.CUDA安装（1）下载c...
2020-03-22 18:04:37
1171
原创 pytorch分类网络入门（一）
1.定义Dataset类在定义自己的Dataset类时，必须重新定义父类（torch.utils.data.Dataset）的以下两个私有成员函数：class dog_cat_datastes(torch.utils.data.Dataset): def __getitem__(self, index): def __len__(self):len() : 返回值为训练集的长度，有多少...
2020-03-17 15:06:33
739
原创 sklearn.preprocessing.OneHotEncoder()函数介绍
sklearn.preprocessing.OneHotEncoder()函数介绍sklearn.preprocessing.OneHotEncoder(categories=‘auto’, drop=None, sparse=True,dtype=np.float64, handle_unknown=‘error’)本博客主要想对categories参数的使用方法进行说明。下面对OneHo...
2020-03-16 23:24:12
6248
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人