May, 2020

基于混合金字塔图网络的车辆再识别中的空间重要性探索

PDF
TL;DR该论文提出了一种基于空间图注意力的新型车辆重新识别方法，它能够精确探索特征图的空间重要性，进而达到明显的性能提升。高效的网络设计可以使其适用于各种规模的特征图，并且在三个大规模数据库方面优于现有的车辆重新识别方法。
vehicle re-identificationspatial graph networkpyramidal graph networkspatial significanceresnet-50
发现论文，激发创造
  • GraphFPN：面向物体检测的图特征金字塔网络

    本文提出的基于图形特征金字塔网络的多尺度特征学习方法，在对象检测任务中优化了 Faster R-CNN 算法，并超越了之前的最先进特征金字塔算法和其他流行的检测方法。

    Aug, 2021

  • 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

  • 应用于结构特征空间扩展的子图网络

    介绍了子图网络（SGN）的概念并应用于网络模型中，设计了用于构建 1 阶和 2 阶 SGN 的算法，并使用它们扩展底层网络的结构特征空间，以增强网络分类效果。

    Mar, 2019

  • 基于空间金字塔的图推理用于语义分割

    本文提出一种改进的拉普拉斯算子将图形卷积引入语义分割任务中，并在特征空间中直接执行图形推理，以保留空间关系，并从不同尺度探索多个远程上下文模式的空间金字塔，结果表明，该方法在减少计算和内存开销方面具有可比性

    Mar, 2020

  • IPG-Net：用于小目标检测的图像金字塔引导网络

    本文提出了一种名为 IPG-Net 的新型网络，旨在解决 CNN 目标检测中浅层保留空间信息但缺乏语义信息、深层具有高语义概念但丢失了很多空间信息的信息不平衡问题。IPG-Net 引入了图像金字塔引导来解决这个问题，并在两种检测模型上得到了最新的结果。

    Dec, 2019

  • 简单网络架构优化图神经网络

    本文提出了一种基于图神经网络的特征选择方法，通过解耦节点特征聚合和网络深度，采用 softmax 和 Hop-Normalization 技术，使得模型在节点分类任务中取得了 64% 以上的精度，其学习到的精选参数可以用于研究预测任务中特征的重要性，同时在大型图中拥有可扩展性。

    May, 2021

  • 特征金字塔网格

    本文介绍了 Feature Pyramid Grids（FPG），它是一种深的多路径特征金字塔，将特征尺度空间表示为平行的自底向上路径的正则网格，并通过多方向的侧向连接融合。FPG 可以显著地提高类似计算成本的单路径特征金字塔网络的性能，与神经架构搜索等复杂结构相比，它具有通用和均匀的结构，并且具有优异的性能。本文希望 FPG 能够作为一种强大的组件，在以后的目标识别工作中发挥作用。

    Apr, 2020

  • 一种改进的基于骨架的动作识别图池化网络

    在该论文中，我们提出了一种改进的图池化网络（IGPN），包括区域感知池化策略、交叉融合模块和信息补充模块等创新点，该方法可以与现有的基于 GCN 的模型无缝结合，实验证明了我们提出的解决方案的有效性。

    Apr, 2024

  • 下一个 POI 的超关系知识图神经网络

    基于移动技术和位置感知社交网络中的 POI 推荐系统的知识图谱建模的研究，以及超关系和数据稀疏性的影响与解决方法的探讨。

    Nov, 2023

  • 基于动态相似邻接矩阵的车辆再识别图网络

    基于动态相似邻接矩阵的图网络（DSAM-GN）是一种用于车辆再识别的新方法，通过构建邻接矩阵来捕捉局部特征的空间关系和减少背景噪声，提取更具差别性的特征。实验证明，DSAM-GN 方法相比于其他近期研究在公共数据集上具有更好的效果。

    Oct, 2023