提出了一种名为 DRConv 的动态区域感知卷积，它可以自动将多个过滤器分配给具有相似表示的相应空间区域，以更有效处理复杂和不同的空间信息分布，从而代替任何现有网络中的标准卷积，尤其适用于高效网络中的动力卷积层。在 ImageNet 分类中，DRConv-based ShuffleNetV2-0.5x 在 46M 乘积添加水平下实现了 67.1% 的最新性能，相对改进了 6.3%。

Mar, 2020

本文提出了一种基于动态图卷积神经网络 (D-GCN) 和语义注意力模块 (SAM) 的注意力驱动动态图卷积网络 (ADD-GCN) 来消除训练数据中标签共现对模型泛化性能的影响，实现图像特征的提取和标签识别任务，并且在公共多标签基准测试中的结果表明该方法的有效性。

Dec, 2020

欺诈检测在发现欺诈者通过欺骗其他用户，例如发布虚假评论或进行异常交易的行为上有着重要作用。我们采用图神经网络和动态关系注意力聚合机制来解决这个问题，并在真实基准数据集上展示了我们的方法 DRAG 优于其他最先进的欺诈检测方法。

Oct, 2023

本文介绍一种有效的方法，通过聚合来自最相关的图像区域的上下文感知特征及其在区分细粒度类别中的重要性来捕获细微变化，避免边框和 / 或可见部分注释，并通过自我关注和图形神经网络的最新进展来包括一种简单而有效的关系感知特征变换及其在端到端学习过程中的性能评估。评估了我们的模型，发现其在八个细粒度对象和人类对象交互数据集上的识别准确性显著优于现有技术。

Sep, 2022

本篇研究提出了一种称为动态图表示（DGR）的新颖统一框架，整合了卷积神经网络（CNNs）和图模型的优点，用于学习生物识别中的遮挡问题，其中通过分析节点间的相似性，能够自适应地移除代表被遮挡部分的节点，实验结果表明该方法优于基线方法并可大幅提高对遮挡生物识别的准确性。

Dec, 2019

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

该研究提出了一种新颖的区域增强型深度图卷积网络（RDGCN），通过学习区域化传播模式来增强谣言的传播特征，并通过无监督学习训练传播模式，以解决社交媒体上的谣言检测问题。实验证明，该模型在谣言检测和早期谣言检测方面表现比基准方法更好。

Jun, 2022

提出了一种名为 ADGCRNN 的注意力机制动态图卷积循环神经网络，用于改善高速公路交通中的交通流量预测，通过注意力机制有效地整合了三种时间分辨率的数据序列，动态创建多动态图以结合动态特征，引入专注于高相关节点的门控核以减少图卷积操作的过拟合，实验证明该方法优于现有技术基线。

Sep, 2023

本文介绍了一种基于上下文感知图卷积神经网络的方法，可以应对 Probe 和 Gallery 之间的关系，解决了现有方法无法解决的难题，并在人员和车辆重新识别数据集上取得了业界领先的性能。

Dec, 2020

利用区域生成和评估网络（RGANet）有效而高效地检测人体区域并突出重要区域，通过区域生成模块（RGM）和区域评估模块（RAM）解决了现有人物再识别方法中存在的挑战，如失配和遮挡以及外部工具和比对策略带来的不可靠性和噪声敏感性。

Sep, 2023