基于混合图神经网络的人群计数
提出了一种使用多分支尺度感知注意力网络、卷积神经网络、软注意力机制、尺度感知损失函数等方法,在 4 个不同的人群计数数据集上实现了最先进的效果,平均减少 25% 的误差。
Jan, 2019
本文介绍了一种新的框架,Blend&Grind-HGNN(BG-HGNN),该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题,其通过将不同关系融合到一个统一的特征空间中,在参数可管理的单一参数集的帮助下,得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明,BG-HGNN 在参数效率(高达 28.96 倍)、训练吞吐量(高达 8.12 倍)和准确性(高达 1.07 倍)方面显著超过了现有的 HGNN。
Mar, 2024
本文提出了一种基于 CNN 的端到端级联网络方法,用于共同学习人群计数分类和密度图估计,实现高精度密度图的生成,并在公开数据集上取得了良好的效果。
Jul, 2017
本文提出了一种基于图神经网络的层级特征增强方法(HGNN),适用于深度多任务学习,通过学习任务之间的共同信息并使用特征增强策略,实现了性能提升。
Feb, 2020
提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架,通过生成 hierarchical structure,并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm,实现了对长程信息的高效访问,从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。
Sep, 2020
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
本文提出了一种名为 SFANet 的新型双路径多尺度融合网络架构,其中包括一种注意力机制,可以在高度拥挤的人群场景中执行精确的计数估计以及提供高分辨率密度地图。该网络包括 VGG 骨干卷积神经网络和双路径多尺度融合网络,可生成高质量的高分辨率密度地图,并在多个数据集上表现出最佳性能。
Feb, 2019
提出了一种称为 Fine-Grained Extraction Network(FGENet)的端到端模型,直接学习表示个体精确定位的原始坐标,通过引入 Fine-Grained Feature Pyramid(FGFP)来融合特征图并使用多任务组合损失函数(TTC)来减轻标注噪声的影响,实验证明 FGENet 在人群计数中取得了显著的改进。
Jan, 2024
这项研究考虑了异构图层次异常检测的问题,提出了 HRGCN,一种无监督的深度异构图神经网络,用于有效地识别系统中的异常行为图。在两个真实应用数据集上的广泛评估表明,HRGCN 优于目前最先进的竞争性异常检测方法。进一步展示了一个实际工业案例研究,以证明 HRGCN 在检测移动通信服务中的异常(如拥塞)网络设备方面的有效性。
Aug, 2023