逐步对应剪枝的图上下文转换学习
提出了一种结合 GNN 和 Transformer 的新框架,利用 GNN 的局部信息汇聚和 Transformer 的全局信息建模能力解决过度平滑问题,构建了 GTC 体系结构,通过对跨视图信息进行自我监督的对比学习任务实现异构图形表示学习。
Mar, 2024
该研究提出了一个名为 Graph Transformer 的新特征提取模块,它能够在局部和全局模式下学习点云特征。该模块将基于图形和变压器的方法的优点相结合,并包括局部变换器和全局变换器模块。在此基础上,构建了一个 3D 点云网络 GTNet,可以用于形状分类、部分分割和语义分割任务。
May, 2023
核分类是计算机辅助诊断中的关键步骤,本文提出了一种基于细胞图变换器的新方法,通过在细胞图中处理节点和边缘作为输入标记,实现了可学习的邻接和信息交换,结合拓扑感知的预训练方法,显著提高了核分类结果并达到了最先进的性能。
Feb, 2024
本论文提出一种新颖的门控上下文注意网络(GCA-Net),使用非局部注意机制和门控机制捕捉图像不一致特征,以更好地识别图像中伪造的区域。经过标准图像取证测试,该方法相对于最先进的网络平均值提高了 4.7% 的 AUC,并且对归因具有鲁棒性,并且对误报具有抗性。
Dec, 2021
本文提出了针对图像标题生成问题的 Dual Graph Convolutional Networks (Dual-GCN) 模型,使用 Transformer 和 Curriculum Learning 技术,在单张图片内有效捕获物体间的关系和多张图像之间的特征信息以生成更为准确的标题,实验结果表明该模型在 MS COCO 数据集上表现突出,达到了 BLEU-1 得分 82.2 和 BLEU-2 得分 67.6。
Aug, 2021
本文提出了一种图形对应传送(GCT)方法,用于人物重新识别,该模型将人物重新识别的问题制定为离线图形匹配和在线对应传送的问题,并通过基于补丁的图形匹配从具有各种姿势对配置的正面训练对中学习一组对应关系模板。实验结果表明,与现有算法相比,GCT 模型具有更好的性能。
Apr, 2018
该论文提出了一种名为 DCCNet 的动态上下文对应网络,通过引入注意力机制,整合了多种语义线索,对计算机视觉中语义对应问题进行了改进,并在多个数据集上验证了该方法的有效性。
Sep, 2019
本文提出了一种名为 Double-chain Graph Convolutional Transformer (DC-GCT) 的新模型,通过局部到全局和全局到局部的双链设计来约束姿势,并结合 GCN 和 Transformer 的优势以及基于自注意机制的局部约束模块和全局约束模块以及特征交互模块来完整捕捉人体关节之间的多级依赖关系,将时间信息引入单帧模型,并在计算成本几乎不增加的情况下通过将目标帧的关节嵌入来指导视频序列嵌入。实验结果表明,DC-GCT 在两个具有挑战性的数据集(Human3.6M 和 MPI-INF-3DHP)上达到了最先进的性能。值得注意的是,我们的模型在 Human3.6M 数据集的所有动作类别上都使用了 CPN 检测到的 2D 姿势,我们的代码可在此 URL 获取。
Aug, 2023
本文提出一种名为 TransGCN 的 GCN 框架,同时学习关系和实体嵌入,通过引入对三元组主体、关系和对象之间关系的变换假设,探索了 TransE 和 RotatE 中的旋转假设,在处理知识图谱中异构关系时比 R-GCN 模型参数更少。实验结果表明,此方法在 FB15K-237 和 WN18RR 上优于现有的方法。
Oct, 2019
本论文提出了一种名为 GTNs 的图转换器网络,能够在图上进行节点表示的学习,同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明,GTNs 有效地生成新的图结构,通过卷积在新图上产生具有强大表现力的节点表示,并在三个基准节点分类任务中取得了最佳表现。
Nov, 2019