图神经网络处理 图片数据

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

用图神经网络(GNN)做CV的研究有不少，但通常是围绕点云数据做文章，少有直接处理图像数据的。其实与CNN把一张图片看成一个网格、Transformer把图片拉直成一个序列相比，图方法更适合学习不规则和复杂物体的特征。

近期中科院与华为诺亚方舟实验室等提出一种全新的骨干网络，把图片表示成图结构数据，让GNN也能完成经典CV三大任务。

该论文引起GNN学者广泛关注。有人认为GNN领域积累多年的技巧都将涌入这一新方向，带来一波研究热潮。

在研究团队看来，图结构是一种更通用的数据结构。甚至网格和序列可以当作图结构的特例，用图结构来做视觉感知会更加灵活。图数据由节点和边组成，如果把每个像素都看作节点计算难度过于大了，因此研究团队采用了切块(patch)方法。

对于224x224分辨率的图像，每16x16像素为一个Patch，也就是图数据中的一个节点，总共有196个节点。对每个节点搜索他们距离最近的节点构成边，边的数量随网络深度而增加。接下来，网络架构分为两部分：

一个图卷积网络(GCN)，负责处理图数据、聚合相邻节点中的特征。

一个前馈神经网络(FFN)，结构比较简单是两个全连接层的MLP，负责特征的转换。

传统GCN会出现过度平滑现象，为解决这个问题，团队在图卷积层前后各增加一个线性层，图卷积层后再增加一个激活函数。

实验表明，用上新方法，当层数较多时ViG学习到的特征会比传统ResGCN更为多样。

为了更准确评估ViG的性能，研究团队设计了ViT常用的同质结构(isotropic)和CNN常用的金字塔结构(Pyramid)两种ViG网络，来分别做对比实验。同质架构ViG分为下面三种规格。

与常见的同质结构CNN、ViT与MLP网络相比，ViG在同等算力成本下ImageNet图像分类的表现更好。金字塔结构的ViG网络具体设置如下。

同等算力成本下，ViG也与最先进的CNN、ViT和MLP相比，性能也能超越或表现相当。

在目标检测和实例分割测试上，ViG表现也与同等规模的Swin Transformer相当。

最后，研究团队希望这项工作能作为GNN在通用视觉任务上的基础架构，Pytorch版本和Mindspore版本代码都会分别开源。

论文地址：
http://arxiv.org/abs/2206.00272

开源地址：
https://github.com/huawei-noah/CV-Backbones
https://gitee.com/mindspore/models

来源：CAAI认知系统与信息处理专委会

本文仅做学术分享，如有侵权，请联系删文。

好消息！

小白学视觉知识星球

开始面向外开放啦

下载1：OpenCV-Contrib扩展模块中文版教程在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~