Feb, 2020

使用图形注意力网络的超像素图像分类

PDF
TL;DR本研究提出了使用图神经网络模型进行图像分类的方法，将输入图像转换为区域邻接图，在该图中，区域是超像素，边连接相邻超像素。实验表明，将图卷积与自我关注机制相结合的图注意力网络（GATs）优于其他图神经网络模型。
graph neural networkimage classificationregion adjacency graphsgraph attention networkssuperpixels
发现论文，激发创造
  • 像素级图注意力网络的人物再识别

    探索图注意力网络在图像特征提取中的应用，通过图生成算法将图像转换成图，并利用图注意力网络更新节点特征，设计了基于像素的图注意力网络应用于人员再识别任务，在多个数据集上都取得了优于现有方法的性能。

    Jul, 2023

  • 仅仅一个解释是不够的：用于图像分类的结构化注意力图

    本文提出了结构化注意力图 (SAG)，通过捕捉图像区域的不同组合对分类器的置信度的影响，压缩地表示图像的一组注意力图。为了更深入地了解分类器的决策，我们提出了计算 SAG 的方法和 SAG 的可视化。我们对 SAG 与传统注意力图在回答图像分类的反事实问题方面进行了用户研究。结果表明，与基线相比，使用 SAG 的用户回答比较式反事实问题更正确。

    Nov, 2020

  • 图注意力网络

    本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

    Oct, 2017

  • 稀疏图注意力网络

    该论文提出了一种基于 L0 正则化的 Sparse Graph Attention Networks，可以对大规模、复杂的图进行特征聚合，鲁棒性与有效性更高，达到与原始图相同或更高的预测性能；同时，其使用结果可视化和量化表达，让人更加容易理解。

    Dec, 2019

  • 图注意力回顾

    本文针对图神经网络进行多个实验，并研究其在节点分类问题中的理论表现。研究结果指出，图注意力机制可以区分类内和类间边缘，重要边的权重得以保留，进而实现完美的节点分类。

    Feb, 2022

  • 鲁棒大规模网络定位的注意力图神经网络

    提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。

    Nov, 2023

  • 基于模 motif 的注意力机制的图卷称神经网络

    本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。

    Nov, 2018

  • SI-GAT: 改良图注意力网络方法用于声纳图像分类

    本文提出了一种基于改进图形注意力网络 (SI-GAT) 的声纳分类方法，该方法可以在多种类型成像声纳中应用，并通过实际数据验证优于几种以欧几里得空间为基础的卷积神经网络方法。

    Nov, 2022

  • 具有快速特征值逼近的谱图注意力网络

    本文提出 Spectral Graph Attention Network 和 SpGAT-Cheby 两种新的基于注意力机制的子图表示学习算法，具备捕捉图形全局特征和更少的学习参数的能力，通过半监督节点分类实验验证了算法的效果。

    Mar, 2020

  • 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