Sep, 2019

双图卷积网络用于语义分割

PDF
TL;DR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
graph-convolutional networksemantic segmentationpixel-wise predictionglobal context modelingdgcnet
发现论文，激发创造
  • 面向语义分割的类别动态图卷积

    该论文提出基于类别的动态图卷积网络 CDGCNet，采用类别动态图卷积（CDGC）模块自适应地传递信息，获得了在 Cityscapes，PASCAL VOC 2012 和 COCO Stuff 等三个流行的语义分割基准上的 state-of-the-art 表现。

    Jul, 2020

  • 多尺度超像素结构差异图卷积网络用于 VL 表示

    该论文提出了一种基于预训练模型的多模态语义表示方法，并引入了超像素和多尺度差异图卷积网络来提高视觉语义表达的准确性和精度，从而在多个下游任务学习方面表现出与其他先进方法的竞争力。

    Oct, 2023

  • 有向图卷积网络

    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

  • 使用 Transformer 和课程学习的双重图卷积网络用于图像字幕生成

    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

  • DAGCN: 双重注意力图卷积网络

    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

  • 可学习的图卷积网络和特征融合用于多视角学习

    本文提出了一种新的基于图卷积神经网络和特征融合的联合深度学习框架，该框架旨在从异构视角中学习潜在的特征表示，并探索可区分的图融合，通过 Learnable Graph Convolutional Network and Feature Fusion (LGCN-FF) 方法能够有效地提高多视图半监督分类的准确度。

    Nov, 2022

  • 基于图学习的双图卷积网络用于半监督节点分类与子图草图

    我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN，并将其应用于半监督节点分类任务，在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN，并设计了基于聚类图卷积神经网络的半监督节点分类算法，使 GCN 能够处理大规模图数据并提高其应用价值，在 PPI 数据集（超过 50,000 个节点）和 Reddit 数据集（超过 200,000 个节点）上也表现良好。

    Apr, 2024

  • 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

  • 针对图的无监督学习和半监督学习的基于维度分离的二维图卷积

    这篇文章探讨了使用二维卷积来同时建模对象链接和属性关系以进行图表征学习，并提出了一种计算高效的分维可分离二维图卷积（DSGC）方法在节点功能过滤上。经实验，通过建模属性关系，DSGC 在各种真实世界网络上用于节点分类和聚类，成绩显著优于现有技术方法。

    Sep, 2019

  • 基于分层多图网络的图像分类

    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。

    Jul, 2019