MMAug, 2023

PVG：渐进视觉图用于视觉识别

PDF
TL;DR通过逐渐增加全局图分支的通道并减少局部分支的通道，逐渐分离图构建（PSGC）引入二阶相似性，使用最大池化和数学期望（MaxE）进行富信息邻居节点信息聚合和更新，以减轻过度平滑的图错误线性单元（GraphLU）增强松弛形式的低值信息，实验证明 PVG 在图像识别任务中优于现有方法。
convolution-based vision backbone networkstransformer-based vision backbone networksvision gnn (vig)progressive vision graph (pvg)neighbor nodes information aggregation and update module
发现论文，激发创造
  • Vision GNN: 一张图值得千万个节点

    本文提出了将图像表示为图结构，并介绍了一种新的 Vision GNN（ViG）体系结构，用于提取视觉任务的图级特征。ViG 由 Grapher 模块和 FFN 模块组成，可用于图形聚合、更新图形信息以及节点特征变换。该体系结构在图像识别和目标检测任务方面表现出优异性能，并希望将来的研究能够从中获得启发。

    Jun, 2022

  • 为移动视觉扩展图卷积

    MobileViGv2 使用 Mobile Graph Convolution (MGC) 模块来解决模型尺寸扩展问题，通过增加图稀疏性和引入条件位置编码到图操作中，提高了在图像分类等任务中的准确性。

    Jun, 2024

  • GreedyViG：用于高效视觉 GNN 的动态轴图构建

    利用动态轴图构建（DAGC）和 GreedyViG 的混合 CNN-GNN 架构，在图像分类等任务中实现了高精度，GMACs 减少，参数数量相似的效果，超过了现有的视觉图神经网络模型。

    May, 2024

  • MobileViG：用于移动端视觉应用的基于图的稀疏注意力机制

    本文提出了一种新颖的基于图的稀疏注意力机制 Sparse Vision Graph Attention（SVGA），并且设计了一种新的混合 CNN-GNN 体系结构 MobileViG，实验证明，MobileViG 在移动设备上进行图像分类、物体检测和实例分割任务上的精度和 / 或速度明显优于现有的 ViG 模型和现有移动 CNN 和 ViT 架构。

    Jul, 2023

  • 全景视频场景图生成

    通过建立综合的真实世界视觉感知系统，我们提出并研究了一个称为全景场景图生成（PVSG）的新问题。PVSG 与现有的视频场景图生成（VidSGG）问题相关，后者侧重于视频中的人与物体之间的时间交互，并基于边界框进行实体识别。然而，边界框在检测非刚性物体和背景方面的局限性常常导致 VidSGG 遗漏关键细节，而 PVSG 则要求场景图中的节点由更精确的像素级分割掩码实体识别，以促进整体场景理解。为了推动这一新领域的研究，我们贡献了 PVSG 数据集，其中包含 400 个视频（289 个第三人称视频 + 111 个自我中心视频），包含 150K 帧用于全景分割掩码以及精细的时间场景图。我们还提供了各种基准方法，并分享了未来工作的有用设计实践。

    Nov, 2023

  • ViG-UNet：面向医学图像分割的视觉图神经网络

    该论文提出了一种基于图神经网络的 U 形结构体系 ViG-UNet，在多个分割任务中表现良好。

    Jun, 2023

  • PGCN: 面向时空交通预测的渐进图卷积网络

    本研究提出了一种新的交通预测框架 - Progressive Graph Convolutional Network（PGCN），它通过在训练和测试阶段逐步适应输入数据来构建一组图形，并与扩张因果卷积和门控激活单元相结合，提取时间特征。PGCN 具有逐步适应输入数据的能力，使模型在不同的研究场所具有稳健性，并在各种几何性质的实际交通数据集上实现了最先进的性能。

    Feb, 2022

  • PointViG: 一种用于高效点云分析的轻量级基于 GNN 的模型

    PointViG 是一种高效的点云分析框架，使用轻量级图卷积模块提高局部特征聚合效果并减轻过度平滑问题，在大规模点云场景中采用自适应扩张图卷积技术提高计算效率，并且在性能和复杂度方面达到与先进模型相当的表现。

    Jul, 2024

  • 多尺度超像素结构差异图卷积网络用于 VL 表示

    该论文提出了一种基于预训练模型的多模态语义表示方法，并引入了超像素和多尺度差异图卷积网络来提高视觉语义表达的准确性和精度，从而在多个下游任务学习方面表现出与其他先进方法的竞争力。

    Oct, 2023

  • 利用可见性图和图卷积网络增强心律失常分类

    利用可见性图（VG）和矢量可见性图（VVG）辅以图卷积网络（GCNs），本研究探索了将心电图信号表示为图的方法，并在心律失常分类方面取得了良好的结果。

    Apr, 2024