从整个研究的时间进程来看:首先研究GSP(graph signal processing)的学者定义了graph上的Fourier Transformation,进而定义了graph上的Convolution,最后与深度学习结合提出了Graph Convolutional Network。 从上面的介绍可以看出,从vertex domain分析问题,需要逐节点(node-wise)的处理,而图结构是非欧式的连接关系,这在很多场景下...
proposal生成 proposal生成指的是利用现有方法(TAG from SSN或BSN,想了解SSN的可移步我的另一篇总结【论文】Structured Segment Networks(SSN)总结与思考)对原始视频进行处理并得到proposal。值得注意的是,在得到segment-level feature之后,为了进一步减小数据量,本文采用了maxpooling的方法。 Efficient Training by Sampling...
因此,该论文的重点贡献是提出了一种针对GCNs的知识蒸馏技术,即局部结构保留模块(LSP),如图1所示。 图1 Local Structure Preserving(LSP)模块 方法 本文的框架 图2 本文方法的框架图 在图2中,有教师模型和学生模型,然后教师模型通过中间的局部结构保留模块(核心)实现结构知识迁移,而图2的右侧就是局部结构保留模块的...
模型浅析 为了共同学习特征融合和图融合,本文提出了一个端到端统一的神经网络框架,由两个主要组件组成:特征融合网络(Feature Fusion Network)和可学习的GCN(Learnable Graph Convolutional Network)。 Feature Fusion Network 将原始多视图表示映射到共享的隐藏空间。这里使用稀疏自编码器来探索所有视图的过完备的潜在表示。
Xia W, Wang Q, Gao Q, et al. Self-supervised Graph Convolutional Network for Multi-view Clustering[J]. IEEE Transactions on Multimedia, 2021. 摘要翻译 现有的基于图卷积网络(GCN)的多视图学习方法,尽管有初步的有希望的结果,但由于直接使用图结构作为视图描述符,可能会抑制多媒体数据的多视图学习能力。
论文解读:Graph Convolutional Networks for Text Classifification 先前的文本分类方法是基于CNN或RNN进行的,只能单独的对文本自身的上下文进行语义提取,而不能够对文本之间的相关信息进行表示。随着图结构在NLP领域的大放光彩,将图引入文本分类是新的思路。
相关论文：J. Masci, D. Boscaini, M. M. Bronstein, P. Vandergheynst, Geodesic convolutional ...
这篇文章主要介绍图卷积神经网络,主要参考[1],中间还包含了很多个人的理解。论文中还有很多点,我理解得还不是很通透,如果错误,欢迎指出。请多多指教。 一、简介 这篇文章是最早提出将CNN扩展到图上,直接处理图类型的数据而不需要对图类型的数据进行转...
这篇论文就是从谱方法展开的,这就同spatial角度差了挺远的了。其灵感应该是从信号处理的傅里叶变换时域与频域转换而来,后文详细说明。回到顶部(go to top) 傅里叶变换回顾高数中的傅里叶变换,傅里叶的理论依据就是任何周期非周期(即周期无穷)的的函数都可以由一组正交基(cosx,sinxcosx,sinx)函数通过线性组合...
【GCN】论文浅读:SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS,程序员大本营,技术文章内容聚合第一站。