本文探讨了如何将卷积神经网络推广到更广泛的定义域上。作者提出了两种构造方法,分别基于分层聚类和图拉普拉斯谱。结果表明,在低维图形上,可以实现独立于输入尺寸的卷积层学习,从而实现高效的深度网络结构。
Dec, 2013
该研究将卷积神经网络推广到高维不规则图像中,通过谱图理论提出了一种卷积滤波器设计方法,在保持线性和常数学习复杂度的同时,实现了对任意图结构的卷积作用,成功在图像识别领域实现了局部、平稳、组合特征的学习。
Jun, 2016
本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法,该方法直接分析经过地形归一化后的点,并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征,且在多个方面上比传统方法表现更优越,其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率,F1 分数比最高准确率方法高 1.69%。此外,本文还展示了该方法可轻松扩展到 2D 语义分割任务。
Oct, 2017
本文研究基于图信号处理和卷积定理的图卷积神经网络方法,利用图傅里叶变换和谱乘法构建卷积和池化层,使用代数多重网格方法降低图分辨率,以深度学习方式解决机器学习中的空间不规则问题。实验结果表明,该方法在手写数字分类问题上的成绩优于传统 CNN 方法。
Sep, 2016
本文提出一种基于图卷积层的深度神经网络,能够优雅地处理学习型点云处理方法所遇到的置换不变性问题,通过动态构建邻域图来建立特征的复杂层次结构,与促进接近理想表面的损失相结合,该方法在各种指标上都明显优于现有方法,特别是在高噪声和结构噪声等实际情况下表现尤为稳健。
Jul, 2020
本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用,该算子能够在池化过程中利用节点特征和局部结构,与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m,实验结果表明该框架具有良好的效果。
Apr, 2019
本文探讨了使用图卷积在协作过滤领域中的优势,并介绍了利用特征向量进行推荐的方法,从而避免了传统梯度下降训练过程。在三个真实世界数据集上获得更高的性能。
May, 2023
本文提出了两个新的操作,帮助 PointNet 更高效地利用局部结构以提高 3D 点云的语义学习效果,并通过实验证明,我们的模型可以捕获局部信息并在主要数据集上表现更好。
Dec, 2017
基于 Laplacian 算子,谱图卷积神经网络是一种用于图数据的卷积网络,并已被证明可以稳定地在不同大小和连接性的图之间传输谱滤波器,在图回归、图分类和节点分类等任务中表现出良好的性能。
Dec, 2020
本研究提出一种新的架构设计,结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习,从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。
Sep, 2018