卷积神经网络CNN主要应用于图像领域,但CNN处理的数据是具有显著标准的空间结构的,而网络拓扑图的数据并不具有标准空间结构。GCN 是对CNN在图论上的自然推广,GCN理论基础是谱图理论。 本质上,GCN 是谱图卷积的局部一阶近似,可以用于对局部图结构与节点特征信息进行编码生成节点Embedding。GCN适用性极广,能适用于任意网...
51CTO博客已为您找到关于GCN和CNN的区别和联系的相关内容,包含IT学习相关文档代码介绍、相关教程视频课程,以及GCN和CNN的区别和联系问答内容。更多GCN和CNN的区别和联系相关解答可以来51CTO博客参与分享和学习,帮助广大IT技术人实现成长和进步。
这是简单做一个非欧空间和欧式空间对比,非专业CNN。图像上欧式空间自带空间卷积,Graph这种非欧空间的情况下想要知道每个节点的邻居是谁,就需要用到邻接矩阵(空间的相似度矩阵)来控制了,乘以它。这样一看CNN是个特例,自带相似度矩阵。这是大致的CNN与GCN的关系。
与CNN相似,GCN同样是一个特征提取器,但其处理的对象是图数据。相较于CNN,GCN的创新之处在于它弥补了平移不变性在非矩阵结构数据上的不足,其核心功能便是提取拓扑图的空间特征。 【知识小结】 欧式结构:即欧几里得结构,是CNN所处理的数据类型,以像素点排列成的矩阵为基础;图结构(或拓扑结构):即非欧几里得结构,是...
GCN 是图卷积神经网络的简称,用于处理图结构的数据。作为初学者,我们常用的模型有卷积神经网络CNN和循环神经网络RNN。 CNN多用于处理图片等视觉信息,因为CNN的核心在于它的卷积核filter,每一个filter是一个小窗口,在图片上平移,通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性:一个小窗口无论移动到...
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输出。不过有一定区别,假如CNN的卷积核是3x3那么则有9个权重分别与对用的像素加权,GCN则只有1个权重分别于邻居节点加权。可以这样认为,GCN模型的计算量、参数量要比CNN的...
神经网络学习的是权重,CNN学习的是核,那GCN到底学习的是啥?这么一说好像又和图的拓扑没有关系? CNN也不符合严格数学意义上的卷积定义,CNN和GCN都只是比较契合数据本身的拓扑结构在进行计算。gcn虽然解释的时候是用谱方法解释的,但是已经简化太多了。 作者博客:https://tkipf.github.io/graph-convolutional-networks...
CNN的核心在于它的kernel,kernel是一个个小窗口,在图片上平移,通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性:一个小窗口无论移动到图片的哪一个位置,其内部的结构都是一模一样的,因此CNN可以实现参数共享。这就是CNN的精髓所在。 再回忆一下RNN系列,它的对象是自然语言这样的序列信息,是一个...
GCN 的根本作用同 CNN,也是一个特征提取器,不同的是其对象是图数据。所以,对比 CNN,GCN 的核心...
了解GCN(图卷积神经网络)之前,必须对离散卷积(具体说就是CNN中的卷积)有个清楚的认识。 如何通俗易懂地解释卷积?,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卷积核,通过计算中心像素点以及相邻像素点的加权求和构成feature map实现空间特征的提取,其中权重就是卷积核的值。