该研究提出了一种名为图解卷积网络(GDN)的解决方案,旨在通过组合频谱域中的逆滤波器和小波域中的去噪层,实现对由图解卷积网络(GCN)平滑的图形数据的重建操作,同时解决信号中的噪声干扰问题,它在图特征补全和图结构生成等多项任务中展示出了有效性。
Oct, 2021
本文讨论了卷积神经网络中重复数据学习的问题,提出了基于网络去卷积的方法,通过一系列实验发现该方法能够有效地提高模型性能并加速训练收敛速度。
May, 2019
本文中,作者提出了一种使用图卷积层的卷积神经网络,以利用局部和非局部相似性以实现去噪任务,并取得了比传统卷积神经网络更好的效果。
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
本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用,证明该方法在文档和分子分类问题方面具有国际领先水平。
Mar, 2017
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
本文介绍了一种将谱网络与图估计过程相结合的方法,用于构建小学习复杂度和处理没有强规律的领域的深层神经网络,并在大规模分类问题中测试并达到更好的性能。
Jun, 2015
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
结合基于模型的方法和数据驱动的深度学习方法,利用图拉普拉斯正则化作为可训练模块进行真实图像去噪,提出一种可全程微分和端对端训练的图像去噪方法,不易过拟合,跨领域泛化性能强,相对于现有技术具有显著的优越性。
Jul, 2018
本文介绍了一种新的图形领域体系结构,用于基于图形的深度学习用于疾病预测,该体系结构利用不同内核大小的滤波器来构建,特点是定义了几何 “内核模块”,能够在卷积期间捕获结构异质性。研究展示了该模型在两个公开数据集上的疾病预测结果,并提供了在模拟数据的不同输入情况下,常规 GCNs 和我们提出的模型的行为洞见。
Mar, 2019