Jul, 2019

基于分层多图网络的图像分类

PDF
TL;DR本研究探讨了基于 Graph Convolutional Networks 的最佳实践，旨在利用 GCNs 自然的多关系数据建模能力和处理不规则输入图片的能力，在 MNIST、CIFAR-10 和 PASCAL 数据集上甚至优于 CNNs 的图像分类表现。
graph convolutional networksgcnsimage classificationmultirelational datairregular inputs
发现论文，激发创造
  • 基于图卷积网络的高光谱图像分类

    探讨使用最小批次图卷积网络和融合策略，对高光谱图像进行分类识别的性能提升。

    Aug, 2020

  • 多模式医学图像的图卷积网络：方法、架构和临床应用

    本综述论文介绍了基于图卷积网络（GCN）的医学图像分析的最新研究进展，包括放射学和组织病理学数据，讨论了 GCN 在疾病诊断和患者康复中的应用，以及其在模型解释、大规模基准测试等方面的技术挑战和发展趋势。

    Feb, 2022

  • DeepGCNs: 让 GCNs 达到与 CNNs 相同的深度

    本篇论文介绍了如何将残差 / 稠密连接和扩张卷积等深度卷积神经网络中的概念应用于图卷积网络中，从而成功地训练出多达 112 层的深度图卷积网络，该方法在多个数据集和任务中展示出了非常良好的表现。

    Oct, 2019

  • 半监督学习中图卷积网络的深入洞察

    本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

    Jan, 2018

  • 基于图卷积网络的多标签图像识别

    提出了一种基于图卷积网络的多标签分类模型，通过建立对象标签之间的图，学习一个对相互依赖的物体分类器的表示，同时使用重新加权的方法来创建有效的标签相关矩阵以指导 GCN 中节点之间的信息传播，在两个多标签图像识别数据集上实验证明了方法的有效性，并且可视化分析表明该模型学习到的分类器保持有意义的语义拓扑结构。

    Apr, 2019

  • 用于半监督节点分类的分层图卷积网络

    本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

    Feb, 2019

  • 紧凑而强大：利用图神经网络和边缘卷积进行医学图像分类

    我们研究了基于图神经网络的医学图像分类的潜力。我们提出了一种将图神经网络与边缘卷积相结合的新模型，利用 RGB 通道特征值的相互连接来强烈表示关键图节点之间的联系。我们的模型在 MedMNIST 数据集的分类中表现出色，并与现有的深度神经网络相比，参数少 1000 倍，训练时间和数据需求减少。我们的结果鼓励进一步探索医学影像领域中的其他图神经网络模型。

    Jul, 2023

  • 图范囊卷积神经网络

    本文提出了一种名为 Graph Capsule Network (GCAPS-CNN) 的模型，通过使用胶囊网络的思想对 GCNN 模型的一些基本缺陷进行了改进，并将其应用于解决当前 GCNN 模型在图分类问题上面临的挑战，实验结果表明，GCAPS-CNN 模型可以显著地提高图分类基准数据集上的性能。

    May, 2018

  • 图卷积神经网络学习什么？

    本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。

    Jul, 2022

  • 简化图卷积网络

    通过消除 GCN 中的不必要的非线性和权重矩阵，我们提出了一种线性模型，它对应于一个固定的低通滤波器，然后是一个线性分类器。 在许多下游应用中，我们的实验评估表明这种简化并不会对精度产生负面影响。 此外，由于我们的模型简化减少了计算量，因此我们的模型在更大的数据集上具有可扩展性，并且具有更快的推理速度。

    Feb, 2019