自构建图卷积网络用于语义标注

Mar, 2020

Self-Constructing Graph Convolutional Networks for Semantic Labeling

Qinghui Liu, Michael Kampffmeyer, Robert Jenssen, Arnt-Børre Salberg

TL;DR提出了一种名为 Self-Constructing Graph (SCG) 的新型体系结构，利用可学习的潜变量直接从输入特征生成嵌入并自行构建底层图，从而自动获取来自航空图像中复杂物体的优化的非局部上下文图。通过自适应对角线增强方法和一个变分下限来优化 SCG，该下限由一个定制的图重构项和一个 Kullback-Leibler 分歧得到规则化项。SCG 在公开的 ISPRS Vaihingen 数据集上表现出有效性和灵活性，和纯 CNN 模型相比，在参数和计算成本上具有明显优势。

Abstract

graph neural networks (GNNs) have received increasing attention in many fields. However, due to the lack of prior graphs, their use for semantic labeling has been limited. Here, we propose a novel architecture called the →

graph neural networks self-constructing graph latent variables complex-shaped objects aerial imagery

发现论文，激发创造

自构建多视角图卷积神经网络配备自适应分类权重损失的语义分割

本文提出了一种名为 MSCG-Net 的新型架构，用于语义分割，在最新提出的 Self-Constructing Graph（SCG）模块上构建，通过利用多个视图来明确地利用空中图像的旋转不变性，进一步开发了一个自适应类加权损失来处理类别不平衡问题，证明了所提出方法的有效性和灵活性，与相关纯 CNN 比较，我们的模型在 Agriculture-Vision 挑战数据集上实现了非常有竞争力的结果（0.547 mIoU），并且具有更少的参数和更低的计算成本。

Apr, 2020

自监督训练的图卷积网络

本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息，以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证，展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。

Jun, 2020

SCGG：一种深度结构条件图生成模型

该研究针对图的建模与完整性问题，提出了一种条件深度图生成模型 SCGG，能够自动生成符合特定结构条件的新图样本，并在实验结果中显示该方法在合成数据和实际数据上均具有优异表现。

Sep, 2022

空间图卷积网络

提出了 Spatial Graph Convolutional Network (SGCN) 来改进 Graph Convolutional Networks (GCNs)，SGCN 利用了空间特征来有效地学习从自然定位的图形中，经过实验证明，SGCN 优于现有的图形方法在图像分类和化学任务上的表现。

Sep, 2019

自我标签增强训练的可伸缩自适应图神经网络

本研究提出了可扩展和自适应图神经网络（SAGN），采用基于注意机制的邻域信息聚集和自我 - 标签增强框架（SLE），以结合半监督的节点标签训练。实验结果表明，相比其他基于采样和非采样的方法，SAGN 实现了更好或相当的结果，并且 SLE 可以进一步提高性能。

Apr, 2021

基于语义 - 结构注意力增强的图卷积网络的节点分类

通过引入语义 - 结构注意力增强图卷积网络（SSA-GCN），本研究在提取顶点分类性能方面不仅对图结构进行建模，还从无监督特征提取的角度提取通用特征，通过交叉注意力机制整合这些特征，以增强图卷积网络的泛化能力。在 Cora 和 CiteSeer 数据集上的实验证明了我们提出的方法所取得的性能提升，而且在隐私设置下表现出优异的准确性，使其成为图数据分析的坚实有效解决方案。

Mar, 2024

SelfGraphVQA：基于自监督图神经网络的基于场景的问题回答

通过使用预训练场景图生成器从图像中提取场景图，并应用语义保持增强和自监督技术，我们引入了 SelfGraphVQA 框架，改进了图表示在视觉问答任务中的利用，从而避免昂贵和潜在有偏的注释数据，并通过图像增强创建提取图的多个视图，通过优化它们表示中的信息内容来学习联合嵌入。我们实验并证明了提取的场景图对于视觉问答非常有效，并且通过强调视觉信息的重要性来提升整体性能，为依赖场景图进行复杂推理问题的视觉问答任务提供了更实用的解决方案。

Oct, 2023

自注意力增强的图卷积网络：结构学习和节点嵌入

本研究提出了一种名为 GCN-SA 的新型图学习框架，它具有出色的节点级表示学习的泛化能力，并且通过自注意机制和改进的转换器块实现了对长程依赖关系的捕捉，从而使其能够在具有不同程度同质性的图上进行表示学习。

Mar, 2024

从 3D 室内重建学习 3D 语义场景图

本文提出了一种基于场景图的三维场景理解方法，它将场景中的实体组织成图形式，运用基于 PointNet 和 Graph Convolutional Networks（GCN）的学习方法实现了场景图的回归，并且引入了一个新的数据集 3DSSG 来支持该方法的应用和评估。

Apr, 2020

基于局部结构的图形对比表示学习

我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

Aug, 2023