1. Basic 上面左图是2D卷积神经网络，其输入是4行4列的矩阵，通过卷积核逐步移动实现对整个输入的卷积操作；而右图输入是图网络，其结构和连接是不规则的，无法像卷积神经网络那样实现卷积操作，由此提出图卷积网络。以Zachary’s Karate Club社群为例，其结构如下图所示： 即总共是0~33共34个node，代表34个人，两个node如果有线段连接代表两者
转载
2024-10-25 13:06:34
49阅读
1. Basic 上面左图是2D卷积神经网络，其输入是4行4列的矩阵，通过卷积核逐步移动实现对整个输入的卷积操作；而右图输入是图网络，其结构和连接是不规则的，无法像卷积神经网络那样实现卷积操作，由此提出图卷积网络。以Zachary’s Karate Club社群为例，其结构如下图所示： 即总共是0~33共34个node，代表34个人，两个node如果有线段连接代表两者
转载
2024-10-25 13:06:52
18阅读
主要内容： 1 实现基于Parameter的GCN层定义； 2 调整模型以实现Batch计算； 3 基于Linear全连接层的GCN层定义； 4 DGL和Pytorch_geometric对GCN的定义； 5 基于Conv2D的GCN图卷积的方式的定义（待补充）；一、基于Parameter的GCN层定义import math
from torch import nn
import torch.nn
转载
2023-11-12 09:17:50
114阅读
线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。 对图像和滤波矩阵进行逐个元素相乘再求和的操作就相当于将一个二维的函数移动到另一个二
转载
2023-06-16 09:24:53
350阅读
在这篇博文中，我将分享如何在Python中实现图卷积的相关内容。图卷积网络（GCN）作为一种强大且有效的工具，广泛应用于图数据的学习与推断。为了更好地理解这一过程，接下来的内容将涵盖背景、技术原理、架构解析、源码分析、性能优化和扩展讨论等多个方面。
在开始之前，图卷积网络的基本公式可用以下数学表示：
$$
H^{(l+1)} = \sigma(\tilde{D}^{-\frac{1}{2}}
图卷积网络这里的图是指Graph，一种数据结构。 图卷积网络关键问题在于如何定义在图上的卷积操作。目前有两种方法：谱方法空间方法已经证明，谱方法是空间方法的一种特例。本文将简要介绍目前关于图卷积操作的基本方法，以其基于paddlepaddle平台实现了其中一种称为GCN的图卷积网络。由于图像可以视为一种特殊的Graph。因此图卷积网络也可以处理图像的数据。将实现后的网络用于MNIST数据集做图的分
转载
2024-03-29 11:38:03
137阅读
1. 摘要 最近的推荐系统中最突出的是称为图卷积网络(GCNs)的深度学习架构，通过使用神经网络循环地提取总体的特征信息(如，图1)，而一个“卷积”操作从一个节点的单跳图邻域转换并聚集特征信息，并通过叠加多个这样的卷积操作，信息可以传播到图的远端。另外，与纯粹基于内容的深度模型不同的是，GCNs利用了内容信息和图结构。然而如何将GCN的训练和推理过程扩展到具有数十亿个节点和数百亿条边的图，却
转载
2024-04-10 23:19:48
35阅读
Part 2: Semi-Supervised Learning with Spectral Graph Convolutions 基于图的机器学习是一项艰巨的任务，因为它非常复杂，而且信息结构也很丰富。这篇文章是有关如何使用图卷积网络（GCN）在图上进行深度学习的系列文章中的第二篇，图卷积网络是一种功能强大的神经网络，旨在直接在图上工作并利用其结构信息。我将简要回顾上一篇文章，但您可以在这里找到
转载
2024-04-15 13:44:17
71阅读
目录1 前言2 卷积定理及卷积操作的意义2.1 卷积的意义2.2 卷积定理3 图(graph)卷积4 总结5 参考文献 1 前言 在之前的文章中，已经顺利的从传统的傅里叶变换过渡到了图上的傅里叶变换，这样使得离散的图数据能够进行卷积操作。本节主要阐述如何如何从图的傅里叶变换到图卷积。 本文为自学的记录，其中多有借鉴他人的地方，一并在参考文献中给出链接。2 卷积定理及卷积操作的意义2.1 卷
转载
2024-08-06 08:15:13
45阅读
GCN有关学习资料：https://www.jianshu.com/p/8da425787830下面我从3个方面介绍：1）首先从大家熟知的业务场景出发，介绍图卷积的分析方法；【A.两个经典的业务场景】2）然后以实际结合实验，介绍GCN在节点分类、人机判别中的简单应用；B.利用GCN进行节点分类【https://cloud.tencent.com/developer/news/313536】C.GC
转载
2024-03-14 08:04:30
76阅读
图卷积的通式 任何一个图卷积层都可以写成这样一个非线性函数： 图由两种基本属性构成：顶点及边，就关系讲就是顶点特征（输入H）以及顶点之间的关系（邻接矩阵A） 下面介绍几种具体的实现，但是每一种实现的参数大家都统称拉普拉斯矩阵。
转载
2020-07-13 09:17:00
321阅读
2评论
目录 1. Introduction本篇综述的主要贡献本篇论文的整体结构2. DEFINITION3. 分类和框架4. GRAPH CONVOLUTION NETWORKS4.1 基于谱的图卷积网络（Spectral-based Graph Convolutional Networks）4.2 基于空间的图卷积网络（Spacial-based Graph Convolutional Ne
1，卷积 卷积的定义： 卷积是两个变量在某范围内相乘后求和的结果卷积运算可划分为三种：Same卷积、Valid卷积、Full卷积(反卷积)。Same卷积 通过Padding填充0运算保证卷积前后特征图大小不变，即W1=W2、H1=H2。公式为：(W1-F+2P)/S+1 = W2若令W1=W2则可计
转载
2023-10-16 00:13:38
182阅读
图神经网络GNN学习笔记：GCN的性质1. GCN与CNN的联系2. GCN能够对图数据进行端到端学习3. GCN是一个低通滤波器4. GCN的问题——过平滑4.1 频域视角4.2 空域视角参考资料 本文首先介绍 GCN与 CNN的联系，然后阐述GCN对图数据进行端对端学习的机制，之后从低通滤波器的角度解释GCN对图学习能力的有效性，最后介绍GCN模型面临的问题——过平滑。 1. GCN与CN
转载
2023-12-12 15:21:36
223阅读
由于文章篇幅较长，因此将其分解为三部分：图卷积网络GCN（Graph Convolution Network）（一）研究背景和空域图卷积图卷积网络GCN（Graph Convolution Network）（二）图上的傅里叶变换和逆变换图卷积网络GCN（Graph Convolution Network）（三）详解三代图卷积网络理论前两篇介绍完图卷积网络的背景知识，现在正式引入GCN！卷积定义在泛
转载
2024-01-29 10:06:30
73阅读
图神经网络1、神经网络基础1.1、图数据的应用场景重要的四个类别：同构图、异构图、属性图和非显示图同构图：节点类型和关系类型只有一种。如超链接关系构成的万维网；社交网络异构图：节点类型和关系类型不止一种。更贴近现实。属性图：节点和关系都有标签和属性，标签指节点或者关系的类型，属性是节点或关系的附加描述信息。非显示图：数据之间没有显示的定义出关系，需要依据某种规则或计算方式将数据的关系表达出来。如点
转载
2024-02-20 13:17:12
63阅读
初识 GCN
参考：https://www.zhihu.com/question/54504471?sort=createdGCN是什么？ GCN 全称是 graph convolution network，中文翻译为图卷积网络。这里的“图”指的不是我们常说的2D图像，而是由一系列顶点和连着这些顶点的边构成的拓扑图，例如，有向图，无向图等等。接下来就以
转载
2024-03-10 16:19:52
45阅读
图卷积在 CV 的全局推理中的应用（Global Reasoning）1. Graph-Based Global Reasoning Networks. (CVPR 2019)基本思想主要技术创新 GloRe1️⃣ 仅依靠卷积的感受野有限，要么堆叠卷积层；2️⃣ 图卷积天然考虑全图节点之间的关系，具有全局感受野；3️⃣ 因此对中间层特征通过 GloRe 模块作全局交互来实现类似特征增强的目的；4️
转载
2024-04-12 11:44:38
72阅读
时空图卷积网络ST-GCN论文解读前言一、基于图神经网络的图分类问题二、ST-GCN文章解读1.基于openpose实现人体骨骼提取2. 基于人体关键点构造graph2.1 构造单帧graph（空间域）2.2 构造帧间graph（时间域）3. ST-GCN模型3.1 采样函数3.2 权重函数3.3 空域图卷积3.4 空间-时间模型3.5 分区策略3.6 可学习的边重要性权重4. ST-GCN模型
转载
2024-01-04 05:59:51
653阅读
1. GNN在干什么目前较火的CNN在欧式空间中已经表现出了强大的处理能力，其最大的特点在于平移不变性，这种特性能够很好的处理欧式空间的中的数据，但是， 图则是一类典型的非欧数据。如下图右侧所示。 因为图没有一个固定的结构，因此，CNN的卷积特性（平移不变性）不能够直接用于图结构的数据。2. 卷积的原理 卷积操作其实是两个函数的数值运算，即上图中的，这两个函数产生的函数为。为原始信号，为卷积核。卷
转载
2024-08-05 21:41:44
60阅读
