利用图神经网络学习地理嵌入
该研究提出了一种新型的图神经网络 $k$-DisGNNs,用于从距离矩阵中学习图的几何结构,实现了图结构学习和几何深度学习的统一,并证明了其高表达能力与卓越性能。
Feb, 2023
本文提出了一种称为 “测地线卷积神经网络”(GCNN)的新型神经网络,可用于处理形状相关的任务,例如形状描述,检索以及匹配。GCNN 使用局部极坐标系中的局部测地线系统提取 “补丁”,通过一系列过滤器和线性非线性算子,来学习不变的形状特征,从而获得最先进的性能。
Jan, 2015
本文提出了一种新的基于几何学聚合的 aggregation 方案,包含三个模块:节点嵌入,结构化邻域和双层聚合,并将其实现到图卷积网络中,命名为 Geom-GCN。在多个开放数据集上的实验结果表明,Proposed Geom-GCN 已经达到了当前状态的最佳性能。
Feb, 2020
采用基于多面体的图神经网络模型 PolyGNN 对点云进行 3D 建筑重建,通过多面体分解网络学习组合原语,通过图节点分类实现紧密、紧凑和弱语义重构。
Jul, 2023
本研究提出了利用神经隐式函数表示 3D 网格模型上的测地线,并介绍了神经测地场(NeuroGFs),用于学习表示给定网格的全对测地线。使用 NeuroGFs,我们能高效准确地回答任意点对点的测地距离和路径查询。评估结果表明,NeuroGFs 在解决测地线问题上具有出色的性能,并具有将 3D 几何与测地线编码在统一表示中的独特优势。
Jun, 2023
本研究提出了一种新型的节点嵌入方法,通过全局最小化成对相对熵和非线性的图地理路径,将每个节点编码为测量空间上的概率密度函数,并研究了其几何性质和有效的学习过程,实验结果表明,该方法在保留全局地理信息方面优于现有模型,并在无监督设置下在各种评估指标上表现出色。
May, 2019
本文提出基于图神经网络的哈希学习方法,在连续编码和离散编码的联合特征表示空间中实现检索,并使用 STE 和导向策略进行离散优化,实验证明该模型在维持哈希编码相对顺序的同时运行速度较快且性能与其连续编码对应模型无明显差别。
Mar, 2020
利用学习到的广义测地距离函数, LGGD 方法在图像处理、计算机图形学和计算机视觉领域中应用广泛,其在节点分类任务中具有改进的性能,并在真实图数据集上达到与最先进方法相竞争的结果,同时还展示了参数在图中广义测地方程中的可学习性以及新标签的动态包含能力。
Jul, 2024
本研究测试应用几何深度学习到低维拓扑问题的效果,在一个简单的模型中,使用图神经网络来判断一对图是否给出同构三维多样体,通过监督学习和强化学习来训练和优化神经网络模型的准确率和效率。
May, 2023
介绍了一种新的 GCPNet 图神经网络,其具有 SE (3) 置换对称性,用于 3D 分子图形表示学习,在蛋白质 - 配体结合亲和力预测,蛋白质结构排序和牛顿多体系统建模任务中均取得了最先进的效果。
Nov, 2022