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...
GCN与CNN的联系 数据的联系 可以这样理解,图像是图的一种特例,图像是有规则的阵列式排列,从而在卷积计算过程中不需要刻意的用邻接矩阵来描述各个像素(结点)之间的关联,但并不是我们不考虑图像像素之间的结构关系。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,...
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...
CNN与GCN的关系: CNN(Convolutional Neural Networks)是卷积神经网络,本质上是利用共享参数的过滤器,通过计算中心像素点以及相邻像素点的加权和构成feature map,实现空间特征的提取。其中的加权系数就是卷积核的权重系数,它是随机化初值,然后根据误差函数通过反向传播梯度下降进行迭代优化。 在计算机视觉中,CNN处理图像或视...
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]...
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...