相比来说,CNN是用来处理规则的图数据,也可以这样说,CNN无法处理非欧式结构的数据;GCN更具有普适性,处理普遍不规则的图数据,这也是GCN存在的必要性。 2、计算上的联系 CNN与GCN都是为了拟合一个函数或者一个映射关系,图像数据与一系列的卷积核进行运算,得到我们想要的输出;图数据也是与一系列的权重进行计算得到目标...
在2.1节中,我们介绍了同为卷积模型的GCN与CNN的联系,从中可以看到二者具有非常该的迁移性;在2.2节中,我们重点阐述了GCN对图数据进行端对端学习的机制;在2.3节中,从低通滤波器的视角,解释了GCN对于图数据学习能力的有效性,同时可以看到这种频域视角的解读,对于指导GCN模型所面临的一个典型问题——过平滑,该问题给G...
文章提出的GCN与CNN融合的特征细化骨骼行为识别方法在NTU-RGB+D 60和NTU-RGB+D 120两大基准数据集上取得了优异的性能,准确率分别达到了97.63%和91.16%,表明该方法具有优越的性能。 提出了一种GCN与CNN相结合的融合网络,通过邻接矩阵的设计聚合相邻骨骼节点的时空拓扑动态信息,同时利用CNN对时空的表征学习能力,有效地...
我们类比CNN,可以称之前每次传播所得到的值为每层的特征,那么我们想利用图进行卷积神经网络的训练,则需要加入能捕获信息的可训练参数矩阵W和b,再通过一个激活函数,就完美对应了卷积神经网络CNN,所以我们有了最终的向前传播公式:
在GCN里 f(xi,xj)定义为i和j两个node之间是否有边,1表示有边相连,0表示没有边。 CNN CNN可以用如下公式(2)表征(为了方便讨论,假设为一维时序数据): yi=∑j=0L−1Wjxi+j−L2 其中L为卷积核长度,Wj∈Rfout×fin,yi∈Rfout×1。 定义gj(xi+j−L2)=Wjxi+j−L2,则由公式(2)可得到公式(3...
了解GCN之前必须对离散卷积(或者说CNN中的卷积)有一个明确的认识: 如何通俗易懂地解释卷积?这个链接的内容已经讲得很清楚了,离散卷积本质就是一种加权求和。 如图1所示,CNN中的卷积本质上就是利用一个共享参数的过滤器(kernel),通过计算中心像素点以及相邻像素点的加权和来构成feature map实现空间特征的提取,当然加...
GCN中的Message从节点的邻居节点传播来,Se...GCN 图卷积网络(Graph Convolutional networks, GCN) 简述 1 背景 卷积神经网络(CNN)的输入是图片等具有欧几里得结构的图结构,也就是这样的图: 这样的“图”并不是广义上的“图”。我们经常需要提取广义的具有点和边的图的特征: 2 问题描述 我们的目标是提取出...
self-attention、non local networks与GCN在公式（1）中可以统一，公式为：其中，[公式] 为node的特征；[公式] 度量两个node之间的相似度；[公式] 归一化；[公式] 为输入特征通道数，[公式] 为输出特征通道数。定义[公式] ，则公式（1）可变为：对比公式（1）和公式（2），其中（1）通过[公式]...
8.3 GCN与CNN的关联 书名:从深度学习到图神经网络:模型与实践 作者名:张玉宏等 本章字数:333字 更新时间:2025-02-23 20:47:56首页 书籍详情 目录 听书 加入书架 字号 背景 手机阅读举报 后续精彩内容,上QQ阅读APP免费读上QQ阅读APP看本书,新人免费读10天账号和设备都新为新人...
GCN与CNN运算差..核函数与卷积核是不同的术语,后者用于此处才正确。GCN的输入是非统一结构,邻接矩阵加入其中限制了GCN非统一结构所带来的无限性,约束其以邻接矩阵为基进行卷积,真要说与CNN异同,相同是都要卷积并训练卷