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。
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...
6.1 GCN与CNN的区别与联系 CNN卷积卷的是矩阵某个区域内的值,图卷积在空域视角下卷的是节点的邻居的值,由此粗略来看二者都是在聚合邻域的信息. 再具体来看一些区别与联系: 图像是一种特殊的图数据 图数据经常是非结构化的,能够表达数据间更复杂的关系.考虑对图像进行卷积时卷的是某一像素周围\(3\times3\)的...
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:
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。
GCN VS 传统 CNN (Convolution 网络) 传统Convolution 网络适用于常见的文本,图像这种规则的数据结构。然而现实生活场景中信息之间的结构大多数是不规则的,如用户购买商品这样一种复杂的结构传统的网络不再适用。而图像上的卷积操作,与图结构上的卷积操作,最大的一个区别就在于: ...
GCN损失函数 6.4 GCN的过平滑问题 频域视角 空域角度 如何解决过平滑? 6.GCN的性质 6.1 GCN和CNN的联系 从本质上看,二者都是聚合邻域信息的运算,只是作用的数据对象不同。 1.图像是一种特殊的图数据 CNN与GCN的最大区别是没有显式地表达出邻接矩阵,如果我们将图像中的每个像素视作一个节点,那么以 ...
对于图(pictures)的处理,CNN是一件大法宝;但是由于CNN处理的对象都是Euclidean Structure,无法对Non Euclidean Structure数据进行处理。图(graph)就是典型的Non Euclidean Structure数据。所以GCN(Graph Convolutional Network)应运而生。 研究GCN的原因,主要可以简答概括为三点(参考知乎superbrother 的回答): ...