- 基于语义图注意网络和距离信息的 3D 全身姿态估计
我们开发了一种新颖的语义图注意力网络,它能够从自注意力捕获全局上下文的能力中受益,同时利用图卷积来处理骨架的局部连通性和结构约束。我们还设计了一个身体部分解码器,用于提取和改进与身体特定部分相关的信息。此外,我们的方法还包含距离信息,增强了 - 修正图卷积的分析
基于图的节点分类中,机器学习和图卷积在性能上具有重要作用,但过多的图卷积会导致性能下降,本文通过理论分析和实证研究,提供了一种基于去除主特征向量的改进图卷积方法,且对于部分和完全分类都取得了显著的性能提升。
- 基于图卷积神经网络的自动超声心动图视角识别:一种整体方法
使用图卷积技术学习三维心脏网格,通过生成合成超声图像并进行实验验证,展示了图对于改善心脏视图识别的潜力,并最终提高心脏诊断效率。
- AAAIGCNext: 图卷积在人体动作预测中的统一性探索
本文介绍了一种名为 Universal Graph Convolution (UniGC) 的新型图卷积概念,该概念重新构建了不同图卷积,并提出了一种动态确定最适合的图卷积的 GCNext 建模范例,通过独特的模块 - 网络设计,GCNex - 通过小波框架增强图神经网络的迪利克莱能量
通过引入 framelet 系统到 Dirichlet 能量分析并采用多尺度视角来缓解过度平滑问题,我们设计了 Energy Enhanced Convolution(EEConv),它是一种有效且实用的操作,被证明严格增强 Dirichl - ICCV野外基于骨架的动作识别
SkeleTR 是一个新的基于骨架的动作识别框架,通过图卷积来模拟骨架序列的个人内部动态,并使用堆叠的 Transformer 编码器来捕捉人与人之间的重要交互,从而在一般情境下进行动作识别。
- PCN:利用新颖图构造方法和 Chebyshev 图卷积实现喷注标记的深度学习方法
该研究提出了使用基于图的表示方法来对喷注进行编码,通过设计粒子切比雪夫网络(PCN),利用切比雪夫图卷积(ChebConv)来学习此表示方法,PCN 在粒子喷注标记中取得了显著的准确率改善,为将来在高能物理实验中探索基于图的喷注表示和 Ch - ICML参数化分解与过滤技术在图表示学习中的应用
本文提出了一种有效而灵活的矩阵来表示图形,通过参数化分解和过滤的方法,将许多现有的 GNN 模型统一起来,在增强 GNN 的灵活性的同时,也减轻了现有模型的平滑和放大问题。基于这个通用框架,我们开发的模型在实现上很简单,但在各种图形学习任务 - ICLR图神经网络超平滑的非渐进分析
本文研究了图神经网络中过度平滑的问题,并通过对随机采样自上下文随机块模型(CSBM)的图进行定量分析,从多个方面给出了应对思路。
- 一种用于生成密集且色彩丰富的三维点云的渐进式条件生成对抗网络
本文介绍了一种使用条件生成对抗网络并以无监督的方式为各种物体创建具有颜色的密集三维点云的方法,并提出了一种点变换器,该变换器通过使用图卷积逐渐增加网络规模。实验结果表明,该网络能够学习和模仿三维数据分布,并产生具有多种分辨率和精细细节的彩色 - KDD迈向更深的图神经网络
本研究对图神经网络进行深入探究,提出了解决深度学习中过度平滑问题的新方法,并通过实验证明了其在引文、合著和共同购买等领域的卓越表现。
- KDD使用深度神经网络预测时间序列集合
本研究提出了基于深度神经网络的时间序列预测整体解决方案,其中独特的视角是通过构建集合级别的共现图来学习元素关系,并在动态关系图上执行图卷积。此外,设计了基于注意力机制的模块来自适应地学习元素和集合之间的时间依赖性,并提供门控机制来发现不同序 - 图境神经网络与图神经网络的可迁移性
本文介绍了图神经网络(GNN)的转移性以及与该特性相关的图卷积和限制对象图形神经网络(Graphon NNs),证明了一个 GNN 和其极限图形的输出之间的差异,该差异随着节点数量的增加而消失,如果图卷积滤波器在图谱域中是带限制的,则该结果 - CVPRDOPS: 学习检测三维物体并预测它们的三维形状
我们提出了一种名为 DOPS 的快速单级 3D 物体检测方法,其核心创新点是一种快速、单次遍历的体系结构,同时检测 3D 物体并估计其形状。该方法通过图卷积进行聚合,并将 3D 边界框参数传入网络分支以预测表示每个检测到的物体形状的潜变量代 - 基于图卷积高斯过程的链接预测
针对图中缺失的边,使用高斯过程和简化图卷积进行预测,通过引入变分感应点方法在大型图中应用
- 动作图:用图卷积网络进行弱监督的动作定位
本文提出了一种基于图卷积的弱监督动作定位方法,使用相似性图形显式建模视频片段之间的相似性以及动作的子操作,最终在多个数据集上达到了弱监督动作定位的最新水平。
- 图卷积机器:面向上下文感知的推荐系统
本研究提出了一种基于图卷积的上下文感知推荐系统框架,包括编码器、图卷积层和解码器,通过对用户 - 物品图进行上下文感知图卷积优化,有效提升了推荐准确率。
- ICLRDeepSphere: 基于图的球形等变卷积神经网络
通过将离散化球体建模为图形,我们可以容纳非均匀分布、部分和变化的采样。此外,图形卷积比球形卷积计算效率更高。通过使用 Defferrard 等人(2016)介绍的图形神经网络,我们讨论了如何实现旋转等变性,在旋转不变学习问题上表现良好。
- 基于图卷积神经网络的三维点云分类
本文介绍了使用 Graph-CNNs 和 PointGCN 对 3D 点云数据进行分类的方法,通过局部图卷积和两种图降采样操作实现了对点云局部结构的有效探索,与竞争方案相比,该架构具有更稳定的性能。
- ACLGraphIE: 基于图的信息提取框架
本文介绍了一种基于图推理的信息抽取框架 GraphIE,通过图卷积处理文本单元之间的广泛依赖关系,生成更丰富的表示以提高词级预测的性能,评估表明 GraphIE 明显优于现有的基于序列标注模型。