双源图卷积网络
本文提出了一种将图形神经网络的原始 - 对偶框架扩展到三角网格上的方法,使用动态聚合机制对 3D 网格的边缘和面特征进行聚合分析,并引入一种准确的几何解释来处理网格连接的变化,并在形状分类和形状分割任务中获得与最先进技术相当或更优的性能。
Oct, 2020
本研究提出了一种新的框架,双注意力图卷积网络,用于解决图分类任务中邻域汇聚和池化操作的问题,并通过实验比较证明了该模型优于其他基线模型和深度学习方法。
Apr, 2019
本文提出了一种新的方式将图形表示为多通道图像结构,并使用普通 2D 卷积神经网络来处理,该方法比现有图形核和图形 CNN 模型更准确且时间复杂度更小,适用于多种真实数据集。
Jul, 2017
本文提出了一种基于图卷积网络的新方法 (DGCNet),主要用于像素级预测任务,为解决语义分割问题提供长程上下文信息建模。通过建模两个正交图来模拟输入特征的全局上下文,并通过将特征投影到新的低维空间来有效地实现。实现的模型在 Cityscapes 和 Pascal Context 数据集上取得了最优结果
Sep, 2019
本研究提出了一种名为 DGCN 的新型 GCN 模型,通过利用一阶和二阶接近度来将其扩展到有向图,可以保留有向图的连接属性并扩展卷积操作的感受野,实验证明只用 DGCNs 可编码更多有用的图信息并在推广到其他模型时提高性能。
Apr, 2020
本研究通过图卷积网络(GCN)对图进行编码,引入了一种新的密集连接策略,提出了一种新型的密集连通图卷积网络(DCGCN)来集成本地和非本地特征,以更好地学习图的结构表示,并在 AMR-to-text 生成和基于语法的神经机器翻译上明显优于现有的神经模型。
Aug, 2019
本文提出了针对图像标题生成问题的 Dual Graph Convolutional Networks (Dual-GCN) 模型,使用 Transformer 和 Curriculum Learning 技术,在单张图片内有效捕获物体间的关系和多张图像之间的特征信息以生成更为准确的标题,实验结果表明该模型在 MS COCO 数据集上表现突出,达到了 BLEU-1 得分 82.2 和 BLEU-2 得分 67.6。
Aug, 2021