STGNN（www 2020）论文总结

最新推荐文章于 2025-03-11 17:27:41 发布
置顶 最新推荐文章于 2025-03-11 17:27:41 发布
阅读量2.2k 收藏 18
点赞数 1
分类专栏： 交通流预测 文章标签： STGNN 交通预测 METR-LA PEMS-BAY Transformer
本文链接：https://blog.csdn.net/zhaoyunduan1958/article/details/118055346
版权

在这里插入图片描述

【图神经网络综述】GNN原理＋落地应用+实现框架全解
cv君的博客
08-06 3万+
【2020 图神经网络综述】A Comprehensive Survey on Graph Neural Networks 文章转载于好我的朋友：大家可以关注他的博客： Memory逆光 博客地址：https://blog.csdn.net/weixin_44936889/article/details/107764037 未经作者允许，本文禁止转载 1. 摘要： 2. 简介： 2.1 为什么要用图表示数据： 2.2 GNN与network embedding： 2.3 GNN与Gra
数据中台在环保行业的应用：环境监测分析
最新发布
AI天才研究院
04-23 313
随着全球环境问题日益严峻，环保行业面临着海量环境监测数据的处理和分析挑战。传统的数据管理方式已无法满足现代环境监测的需求。本文旨在探讨如何通过构建数据中台来解决环保行业在环境监测分析中的数据整合、处理和应用问题，提高环境监测的效率和准确性。本文范围涵盖数据中台在环保行业环境监测领域的架构设计、技术实现、数学模型和实际应用案例，重点关注大气、水质、噪声等环境要素的监测分析。本文首先介绍数据中台在环保行业的背景和意义，然后详细阐述数据中台的核心架构和关键技术。
WWW2020 结构深度聚类网络
weixin_45519842的博客
02-18 1095
“图神经网络已经在很多领域得到了广泛的引用,如计算机视觉,自然语言处理和推荐. 那么,图神经网络能不能提升一些基础机器学习任务(如聚类)的表现呢?本文首次将GNN用到聚类上,提出了一种...
WWW2020推荐系统论文合集(已分类整理)
abcdefg90876的博客
04-21 8193
1摘要国际顶级学术会议WWW2020定在2020年4月20-24日于中国台湾举办。受COVID-19疫情影响(疫情赶紧过去吧)，大会将在线上举行。今天是大会开始的第一天。本次会议...
AAAI 2025| ST-FiT：使用有限训练数据的归纳时空预测
m0_59164520的博客
03-11 953
时空图广泛应用于各种实际应用中。时空图神经网络 (STGNN) 已成为从这些数据中提取有意义见解的强大工具。然而，在实际应用中，大多数节点在训练期间可能不具备任何可用的时间数据。例如，由于疫情的异步性，地理图上大多数城市的疫情动态可能不可用。这种现象与大多数现有时空预测方法的训练要求不符，危及了它们的有效性，从而阻碍了更广泛的部署。在本文中，提出用有限的训练数据制定一种新的归纳预测问题。具体来说，给定一个时空图，目标是学习一个时空预测模型，该模型可以在没有任何可用时间训练数据的情况下轻松推广到这些节点上。
【WWW 2020】Mobile App Squatting
u011754184的博客
06-24 610
[WWW2020 Best Student Paper] Mobile App Squatting 移动APP蹲？ In this paper, we explore the presence of squatting attacks in the mobile app ecosystem.In “App Squatting”, attackers release apps with identifiers (e.g.,app name or package name) that are confusi
论文笔记：WWW 2020 Heterogeneous Graph Transformer
qq_44015059的博客
10-17 4117
1. 前言 论文链接：https://arxiv.org/abs/2003.01332 github：https://github.com/acbull/pyHGT 近年来，图神经网络(GNNs)在结构化数据建模方面取得了巨大的成功。但是，大多数GNN为同构图设计，同构图中所有的节点和边都属于相同的类型，这使得它们无法表示异构结构。本文中提出了一种异构图转换器(HGT)体系结构来建模网络规模的异构图。为了对异质性进行建模，本文设计了节点和边类型相关的参数来表征每个边缘上的异质性注意，使HGT能够对不同类型的
WWW 2020热点论文（6篇）【推荐系统相关】.zip
04-14
文本继续为大家奉上WWW 2020六篇推荐系统相关论文-part3 供参考——上下文感知推荐、双边公平推荐、MetaSelector、视觉主题推荐、社交影响力。
TPAMI 2024 | 解耦图神经网络：同时训练多个简单的GNN而不是一个
小白学视觉
11-27 688
图神经网络（GNN）由于节点依赖随着层数增加呈指数增长，导致严重的效率问题。这极大地限制了随机优化算法的应用，使得GNN的训练通常耗时较长。为了解决这个问题，我们提出了将多层GNN解耦为多个简单模块以实现更高效的训练，该框架包括经典的前向训练（FT）和设计的反向训练（BT）。在所提出的框架下，每个模块都可以在FT中通过随机算法高效地训练，而不会因简单性而扭曲图信息。为了避免FT中单向信息传递以及充分训练浅层模块与深层模块，我们开发了一种反向训练机制，使前层模块能够感知后层模块，灵感来自经典的反向传播算法。
Session-based Recommendation with Graph Neural Networks & GNN
W 的一些小感想
12-01 1836
最近在实验室组会主讲了一些关于GNN的理解并讨论了以篇发表于AAAI2019的关于门控图神经网络在推荐系统中应用的论文。现将相关内容予以记录。其中的截图有涉及到相关博主的博客，均已列于文献引用中，如有不当，请告知删除，谢谢！ 1. “A Comprehensive Survey on Graph Neural Networks” 1.1 引言 像CNN、RNN这样的深度学习模型在图像、文本...
深度学习：STGCN学习笔记
热门推荐
zhe470719的博客
11-10 2万+
目录标题基于图神经网络的图分类问题GCN在行为识别领域的应用主要任务研究思路ST-GCN(SpatialTemporal Graph Convolutional Networks for Skeleton-Based Action Recognition)解读原论文解决问题主要贡献核心思想简介OpenPose 预处理基于人体关键点构造graph构造单帧graph（空间域）构造帧间graph（时间域）ST-GCN模型采样函数权重函数空域图卷积空间-时间模型分区策略可学习的边重要性权重TCNST-GCN模型的实
WWW 2020最佳论文出炉！（OSU最佳论文，北邮斩获最佳学生论文）
04-25
碰到疫情，WWW采用在线举行。刚刚最佳论文一系列奖项出炉了！来自俄亥俄州立大学的开放意图抽取《 Open Intent Extraction from Natural Language Interactions》获得最佳论文，北京邮电大学的移动App占位《Mobile App Squatting 》获得最佳学生论文！
5篇WWW 2020热门论文【推荐系统专题】.zip
04-08
近期，随着WWW 2020 推荐系统比较有意思的的论文不断被揭露，我们收集了以下五篇热门论文，其涉及的主题包括：序列推荐、可解释Serendipity 推荐、推荐效率、 bandit推荐、Off-policy学习。
交通预测模型合集：STGCN、DCRNN、ASTGCN、Graph wavenet、STGNN、STSGCN、STFGNN
04-17
所涉及的交通预测相关的模型，其原文章。注：仅学习使用哈~主要包含的模型:STGCN、DCRNN、ASTGCN、Graph wavenet、STGNN、STSGCN、STFGNN。 模型所在的文章分析链接：（注：下述链接预计在2025年发布） STGCN：https://xiexu.blog.csdn.net/article/details/134570501 DCRNN：https://xiexu.blog.csdn.net/article/details/133094961 ASTGCN：https://xiexu.blog.csdn.net/article/details/131999338 Graph wavenet：https://xiexu.blog.csdn.net/article/details/132279336 STGNN：https://xiexu.blog.csdn.net/article/details/132844935 STSGCN：https://xiexu.blog.csdn.net/article/details/133148447 最后一个写不开了。
STGNN 项目教程
gitblog_00592的博客
09-02 821
STGNN 项目教程 STGNNThe pytorch implementation of Traffic Flow Prediction via Spatial Temporal Graph Neural Network项目地址:https://gitcode.com/gh_mirrors/st/STGNN 项目介绍 STGNN（Spatial Temporal Graph Neural Ne...
Enhanced-RCNN: 一种高效的比较句子相似性的方法 ｜​WWW 2020
AI科技大本营
04-13 3025
作者 | 彭爽出品 | AI科技大本营（ID:rgznai100）国际顶级会议WWW2020将于4月20日至24日举行。始于1994年的WWW会议，主要讨论有关Web的发展，其相关技术...
WWW2020 GNN的一些总结 PPT
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
04-29 2284
转载专知，DGL 【导读】国际万维网大会（The Web Conference，简称WWW会议）是由国际万维网会议委员会发起主办的国际顶级学术会议，创办于1994年，每年举办一届，是CCF-A类会议。WWW 2020将于2020年4月20日至4月24日在中国台湾台北举行。由于疫情影响，这次会议在线上举行，本届会议共收到了1129篇长文投稿，录用217篇长文，录用率为19.2%。小编推荐一份图深...
WWW 2020 | 信息检索中的对话式问题建议
Paper weekly
09-23 1139
©PaperWeekly 原创 ·作者｜金金单位｜阿里巴巴研究实习生研究方向｜推荐系统论文标题：Leading Conversational Search by Suggesting ...
【文献阅读】 2020-WWW-Attentive Sequential Models of Latent Intent for Next Item Recommendation
乐川大佛的博客
06-01 1584
说明 1.原文链接。 2.WWW2020其他推荐系统文章。 3.本人及翻译软件的翻译水平有限，粗读即可，精读请看原文。 标题 1.题目：基于潜在意图的注意力序列模型给下一个项目推荐 Attentive Sequential Models of Latent Intent for Next Item Recommendation 2.作者：​​​​​​ 摘要   用户在电子商务服务中表现出不同的意图（如发现商品、购买礼品等），这促使他们以多种方式（如单击、添加到购物车、添加到收藏夹、购买）与各种商品进行交互。
yolov8-deepsort stgnn
04-03
### 使用 YOLOv8 和 DeepSORT 结合 STGNN 实现目标跟踪 YOLOv8 是一种先进的实时对象检测算法，而 DeepSORT 则是一种基于卡尔曼滤波器和匈牙利匹配的目标跟踪方法。STGNN（Spatial-Temporal Graph Neural Network）则可以用于建模时空关系，在轨迹预测方面具有显著优势。 以下是关于如何将这三种技术结合起来实现目标跟踪的具体说明： #### 数据预处理阶段 在实际应用中，数据通常需要经过一定的预处理才能被模型有效利用。对于视频流中的每一帧图像，首先通过 YOLOv8 进行目标检测[^1]。YOLOv8 的输出是一系列边界框及其对应的置信度分数。这些边界框会被传递给 DeepSORT 模块以完成多目标跟踪的任务。 ```python import torch from ultralytics import YOLO model = YOLO('yolov8n.pt') # 加载 YOLOv8 预训练权重 results = model(frame, conf=0.5) # 对单帧执行推理操作 detections = results[0].boxes.data.cpu().numpy() # 提取检测结果 ``` #### 跟踪模块集成 DeepSORT 接收来自 YOLOv8 的检测结果作为输入，并返回带有唯一 ID 的更新后的轨迹列表。此过程涉及特征提取、状态估计以及关联逻辑等多个子任务。为了提高效率并减少计算开销，建议仅保留高可信度的对象进行后续分析。 ```python from deep_sort_realtime.deepsort_tracker import DeepSort tracker = DeepSort(max_age=30) tracks = tracker.update_tracks(detections, frame=frame) for track in tracks: if not track.is_confirmed(): continue bbox = track.to_tlbr() id_num = str(track.track_id) cv2.rectangle(frame, (int(bbox[0]), int(bbox[1])), (int(bbox[2]), int(bbox[3])), (255, 255, 255), 2) cv2.putText(frame, f"ID:{id_num}", (int(bbox[0]), int(bbox[1]) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) ``` #### 应用 STGNN 处理时空信息 一旦获得了连续时间步上的物体位置序列，就可以将其送入预先训练好的 STGNN 中进一步挖掘隐藏模式。具体来说，每个节点代表某个特定时刻下的某一个个体；边连接相邻时间段内的相同实体或者交互密切的不同主体之间形成的关系网络结构。最终得到的结果可用于异常行为识别、未来路径推测等多种场景之中。 ```python import numpy as np import stgcn # 假设已安装空间图卷积神经网络库 stg_model = stgcn.load_pretrained_model() def prepare_graph_data(tracks): graph_nodes = [] adjacency_matrix = np.zeros((len(tracks), len(tracks))) for i, t_i in enumerate(tracks): node_features = [t_i.centroid_x, t_i.centroid_y, ... ] # 构造节点属性向量 graph_nodes.append(node_features) for j, t_j in enumerate(tracks[:i]): distance = calculate_distance(t_i, t_j) if distance < threshold: adjacency_matrix[i][j] = weight_function(distance) return {'nodes':graph_nodes,'edges':adjacency_matrix} input_for_stgnn = prepare_graph_data([track for track in all_tracks]) output_predictions = stg_model.predict(input_for_stgnn) ```
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