【CMU】图卷积神经网络中的池化综述，Pooling in Graph Convolutional Neural Network

最新推荐文章于 2023-07-15 15:12:18 发布
最新推荐文章于 2023-07-15 15:12:18 发布
阅读量1.3k 收藏 5
点赞数

关注上方“深度学习技术前沿”，选择“星标公众号”，

资源干货，第一时间送达！

图卷积神经网络(GCNNs)是深度学习技术在图结构数据问题上的一种强大的扩展。我们对GCNNs的几种池方法进行了实证评估，并将这些图池化方法与三种不同架构(GCN、TAGCN和GraphSAGE)进行了组合。我们证实，图池化，特别是DiffPool，提高了流行的图分类数据集的分类精度，并发现，平均而言，TAGCN达到了可比或更好的精度比GCN和GraphSAGE，特别是对数据集较大和稀疏的图结构。

论文链接：https://arxiv.org/abs/2004.03519

推荐阅读：

重磅！计算机视觉交流群已成立！

欢迎各位Cver加入计算机视觉微信交流大群，本群旨在交流图像分类、目标检测、点云/语义分割、目标跟踪、机器视觉、GAN、超分辨率、人脸检测与识别、动作行为/时空/光流/姿态/运动、模型压缩/量化/剪枝、NAS、迁移学习、人体姿态估计等内容。更有真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、行业技术交流等，欢迎加群交流学习！

进群请备注：研究方向+地点+学校/公司+昵称（如图像分类+上海+上交+小明）

广告商、博主请绕道！

???? 长按识别，即可进群！

深度学习技术前沿
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
GCN：图卷积神经网络
xxzaa的博客
08-21 2127
欧几里得数据（Euclidean domains data）：具有规则的空间结构，如图片是规则的正方形，语音是规则的一维序列等，这些特征都可以用一维或二维的矩阵来表示。 非欧几里得数据（Non Euclidean data）：不具备规则的空间结构 1.CNN:卷积神经网络 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算
基于卷积神经网络的水果识别
最新发布
05-18
OpenPose是一个基于深度学习的开源库，主要用于实时多人2D姿态估计。它使用卷积神经网络（CNN）来检测图像或视频中的人体关键点（如关节、四肢端点等），并能够通过这些关键点来估计人体的姿态。OpenPose最初由卡内基梅隆大学（CMU）的研究团队开发，并在计算机视觉领域引起了广泛关注。 OpenPose的主要特点包括： 多人姿态估计：OpenPose可以同时检测和跟踪多个人体的姿态，而不需要事先知道图像中的人数或位置。 实时性：OpenPose的运行速度非常快，可以实现实时的姿态估计，这对于许多应用（如人机交互、虚拟现实等）非常重要。 准确性：OpenPose在多种复杂场景下都能保持较高的姿态估计准确性，包括人体之间的遮挡、接触等干扰因素。 可扩展性：OpenPose不仅可以检测人体的姿态，还可以扩展到检测其他对象（如手部、面部等）的姿态。 OpenPose的工作原理主要基于两个核心组件： 身体部位置信度图（Body Part Confidence Maps, BPCMs）：这是一个二维网格，其中每个网格单元表示图像中某一点是人体特定部位（如肩膀、肘部等）的置信度。通过卷积神
图卷积神经网络GCN---池化层代表作
微信号：Custom-Software
05-15 1358
GNN Pooling 文章目录 GNN Pooling 1 Deep Convolutional Networks on Graph-Structured Data 2 Convolutional neural networks on graphs with fast localized spectral filtering 3 An End-to-End Deep Learning Architecture for Graph Classification 4 Hierarchical
NIPS2020 | DiffGCN：利用微分算子和代数多重网格池化优化图卷积
DrugAI
03-09 1262
今天给大家介绍以色列本·古里安大学的研究人员发表在NIPS2020上的一篇论文。图卷积网络（GCN）在处理无序数据（如点云和网格）方面已被证明是有效的方法，作者在有限差分和代数多重网格框架的启发下，提出了用于图卷积，池化和解池化的新颖方法——DiffGCN，经各种实验证明，DiffGCN拥有最好的结果。 介绍 过去的几年中，许多工作使用标准的CNN对无序数据（例如点云和网格）执行3D相关任务。随后，GCN也用于处理与三维输入相关的任务，通过直接在数据的基础结构中进行操作，更加自然地处理非结构...
第十一章：GCN——图卷积神经网络：全面回顾
ADICDFHL的博客
07-15 1778
作为图神经网络模型的一种，图卷积网络模型已成为机器学习和其他相关领域的热门话题，并且已经提出了大量模型来解决不同的问题。在本调查中，我们对图卷积网络这一新兴领域进行了全面的文献综述。具体而言，我们引入了两个直观的分类法，以根据图滤波操作的类型和应用领域对现有工作进行分组。对于每个分类法，我们从独特的角度提供了一些详细的例子。我们还讨论了现有图卷积网络的一些挑战和潜在问题，并提供了一些未来的研究方向。
图卷积神经网络中的池化综述.pdf
04-08
图卷积神经网络(GCNNs)是深度学习技术在图结构数据问题上的一种强大的扩展。我们对GCNNs的几种池方法进行了实证评估，并将这些图池化方法与三种不同架构(GCN、TAGCN和GraphSAGE)进行了组合。我们证实，图池化，特别是DiffPool，提高了流行的图分类数据集的分类精度，并发现，平均而言，TAGCN达到了可比或更好的精度比GCN和GraphSAGE，特别是对数据集较大和稀疏的图结构。
论文阅读 [TPAMI-2022] Learnable Pooling in Graph Convolutional Networks for Brain Surface Analysis
weixin_42155685的博客
04-10 217
论文阅读 [TPAMI-2022] Learnable Pooling in Graph Convolutional Networks for Brain Surface Analysis 论文搜索(studyai.com) 搜索论文: Learnable Pooling in Graph Convolutional Networks for Brain Surface Analysis 搜索论文: http://www.studyai.com/search/whole-site/?q=Learnable+
在图卷积网络中的可导池化操作
机器学习杂货铺1号店
06-27 395
在图卷积网络中的可导池化操作 FesianXu 20210627 at Baidu search team 前言 我们在之前的博文[1,2,3]中初步讨论过图卷积网络的推导和信息传递的本质等，本文继续讨论在图卷积网络中的可导池化操作。如有谬误请联系指出，本文遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明并且联系笔者，谢谢。 ∇\nabla∇ 联系方式： e-mail: FesianXu@gmail.com github: https://github.co...
GNN Pooling(六)：Graph Convolutional Networks with EigenPooling，KDD2019
qq_36618444的博客
07-14 1068
目录1. EigenPool1.1 Graph CoarseningEigenvector-Based PoolingTHEORETICAL ANALYSIS OF EigenPoolingEXPERIMENT 这真是我读过的最难的一篇图池化了。有些没有理解的地方等日后再来拾遗。 本文作者来自Michigan State University，Pennsylvania State University以及IBM T. J. Watson Research Center。 图池化把节点分组为子图(对应池化之后
2019-MINCUT POOLING IN GRAPH NEURAL NETWORKS-网文-rrrr1
08-08
2019-MINCUT POOLING IN GRAPH NEURAL NETWORKS-网文-rrrr1
2019-MINCUT POOLING IN GRAPH NEURAL NETWORKS-借助图分割和聚类实现pooling-r
08-04
A fundamental component in deep learning is the pooling operation, which replace
Introduction to Graph Neural Networks.pdf
04-19
CMU-Minji112页PPT《图神经网络导论》卡内基梅隆大学(Carnegie Mellon University)计算机科学系的一名博士生，导师是Christos Faloutsos和Ruslan Salakhutdinov教授。研究兴趣在Deep Graph Learning领域。
基于深度学习卷积神经网络实现的人脸面部表情识别系统项目源代码.zip
06-10
实现原理 （1）表情库的建立 目前，研究中比较常用的表情库主要有:美国CMU机器人研究所和心理学系共同建立的Cohn-Kanade AU-Coded Facial Expression Image Database(简称CKACFEID)人脸表情数据库;fer2013人脸数据集...
CMU Neural Network C Code
01-13
卡内基梅隆大学，机器学习课程，神经网络讲义、代码。Tom M. Mitchell作者，代码很漂亮。可以学习，也可以仿照改编，迁移到其他平台或语言下。
基于深度学习卷积神经网络的人脸表情识别系统源码+数据集（毕业设计）.zip
11-30
基于深度学习卷积神经网络的人脸表情识别系统源码+数据集（毕业设计），已获导师指导并通过的高分项目。下载即可使用，无需修改，确保可以直接运行！系统程序由PyQt5的库实现，内含训练测试集主要功能 （1）可以通过...
GCN图卷积神经网络综述
热门推荐
m0_47645778的博客
05-13 1万+
文章目录一、GNN简史二、GCN的常用方法及分类2.1 基于频域的方法2.2 基于空间域的方法2.3频域是一种特殊的空间域方法三、 GCN常用的基准数据集四、GCN的主要应用五、GCN的开源库六、对于GCN的未来发展方向 一、GNN简史 二、GCN的常用方法及分类 2.1 基于频域的方法 2.2 基于空间域的方法 2.3频域是一种特殊的空间域方法 三、 GCN常用的基准数据集 四、GCN的主要应用 五、GCN的开源库 六、对于GCN的未来发展方向 近年来，关于GCN的综述类文章出了很多， ...
图卷积网络GCN（Graph Convolution Network）（一）研究背景和空域卷积
梦家の博客
04-21 2368
图卷积网络（Graph Convolution Network）概述 研究背景 首先，为什么需要研究图卷积网络GCN（Graph Convolution Network）呢？ 目前算法研究处理的数据主要分为两种： Euclidean 结构数据：主要有图片、语音、文本等数据结构，例如图像、视频中像素点是排列整齐的矩阵，可以被CNN(Convolution Neural Network)高效地处理。...
深度之眼--图像分割第五周GCN
wirth_123的博客
08-17 760
经典分割网络GCN1.卷积的方式汇总2.定位和分类的权衡3.实现GCN网络 1.卷积的方式汇总        1.大卷积核：拥有大的感受野，甚至可以扩大到全局卷积，缺点是参数量、计算量过大。        2. 小卷积核堆叠：通过3x3卷积核的堆叠来扩大感受野，减少参数量和计算量，同时可以添加多层非线性激活函数来提高模型判别能力。缺点是堆叠容易出现不可控因素。 &nbs
CMU的Social Network问题
03-20
Social Network问题是指在社交网络中，如何分析和利用用户之间的关系和行为数据，以实现更好的社交体验和商业价值。CMU在这方面有很多研究和项目，比如社交网络分析、社交推荐系统等。如果您有具体的问题，我可以为您提供更详细的信息。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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