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...
CNN的layer与GCN的layer的联系 1、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;GC...
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...
GCN对表示学习和任务学习一起进行端到端的优化,前述两种方法节点的特征向量一旦拼接就会被固定,下游任务学习中产生的监督信号无法有效指导图数据的表示学习,这导致节点的特征表示对于下游任务不是最高效的;而GCN对于图数据的建模并没有切分成两步完成,对于节点的表示学习与下游的任务学习被放到一个模型里进行端到端学习...
GCN与CNN的联系 1.图像是一种特殊的图数据 2.从网络连接方式来看,二者都是局部连接 3.二者卷积核的权重是处处共享的 4.从模型的层面来看,感受域随着卷积层的增加而变大 第二章 GCN的性质 本章通过对GCN的一些性质的集中解读来加深我们对于GCN的理解。在2.1节中,我们介绍了同为卷积模型的GCN与CNN的联系,...
本文为从CNN到GCN的联系与区别——GCN从入门到精(fang)通(qi)的阅读笔记,文中绝大部分公式和图片摘自原文。 文章目录一、CNN(卷积神经网络)中的离散卷积二...离散卷积推荐阅读:如何通俗易懂地解释卷积?1、CNN中的离散卷积:共享参数的过滤器 2、CNN中的卷积操作:通过计算中心像素点以及相邻像素点的【加权和】构...
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...
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