图神经网络论文解读

详解京东商城智能对话系统（生成+检索）

01京东AI项目实战课程安排覆盖了从经典的机器学习、文本处理技术、序列模型、深度学习、预训练模型、知识图谱、图神经网络所有必要的技术。
PaperWeekly·2023-01-23 08:20

深度学习 GNN图神经网络（一）图的基本知识

一、前言本文主要介绍图的一些基础知识，不会太深奥，够用就行。我们以民国最出名的七角恋人物关系图为例进行讲解。二、图的概念图（Graph）可以用来描述实体之间的关系。如下图所示，一张图捋清民国最出名的七角恋（摘自全历史）：这是一张图，包括人物实体以及人物关系。我们抽象成下面的形式，人物是图的顶点（Vertex）、人物关系是图的边（Edge）。顶点（节点）和边都可以附带各自的属性（如：姓名、关系类型等
李乾文·2023-01-23 08:18

京东 | AI人才联合培养计划！

01京东AI项目实战课程安排覆盖了从经典的机器学习、文本处理技术、序列模型、深度学习、预训练模型、知识图谱、图神经网络所有必要的技术。
Datawhale·2023-01-23 08:48

深度学习 GNN图神经网络（三）模型思想及文献分类案例实战

如果你有一定神经网络的知识基础，想学习GNN图神经网络，可以按顺序参考系列文章：深度学习GNN图神经网络（一）图的基本知识深度学习GNN图神经网络（二）PyTorchGeometric（PyG）安装深度学习
李乾文·2023-01-23 08:44

图神经网络基本知识

连通图连通分量1.无向图连通性对于一个无向图，如果任意的节点i能够通过一些边到达节点j，则称之为连通图。连通分量：无向图G的一个极大连通子图称为G的一个连通分量（或连通分支）。连通图只有一个连通分量，即其自身；非连通的无向图有多个连通分量。2.有向图连通性强连通图：给定有向图G=(V,E)，并且给定该图G中的任意两个节点u和v，如果节点u和节点v相互可达，即至少存在一条路径可以由节点u开始，到终点
vincent_hahaha·2023-01-22 11:52

图网络与药物研发【基础与资料】

【图神经网络】GNN从入门到精通，GNN记录《深入浅出图神经网络》笔记斯坦福CS224W图机器学习、图神经网络、知识图谱【同济子豪兄】DGL中文教程NetworkXTutorial图论相关术语图中顶点之间的距离定义为它们之间路径的最短长度
_森罗万象·2023-01-22 11:46

论文解读（NWR）《Graph Auto-Encoder via Neighborhood Wasserstein Reconstruction》

优质资源分享学习路线指引（点击解锁）知识定位人群定位Python实战微信订餐小程序进阶级本课程是pythonflask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。Python量化交易实战入门级手把手带你打造一个易扩展、更安全、效率更高的量化交易系统论文信息论文标题：GraphAuto-EncoderviaNeighborhoodWassersteinReconstru
qq_43479892·2023-01-22 07:58

TIP | 自动化所谭铁牛院士团队提出用带注意力机制的图神经网络GARN，多个数据集上SOTA！

TIP|自动化所谭铁牛院士团队提出用带注意力机制的图神经网络GARN，多个数据集上SOTA！【写在前面】图像-文本匹配旨在衡量图像和文本描述之间的相似性，最近取得了很大进展。
FightingCV·2023-01-22 04:40

PyG 中Message Passing机制详解

消息传递图神经网络一、引言在开篇中我们介绍了，为节点生成节点表征（NodeRepresentation）是图计算任务成功的关键，我们要利用神经网络来学习节点表征。
苏里·2023-01-21 21:00

实现图神经网络的消息传递范式

消息传递图神经网络一、引言在开篇中我们介绍了，为节点生成节点表征（NodeRepresentation）是图计算任务成功的关键，我们要利用神经网络来学习节点表征。
O-A-A·2023-01-21 21:28

GCN torch_geometric message_passing方法源码解析

message_passing方法源码解析前言源码位置源码及注释MessagePassing类propagate方法感谢及参考博文前言最近在看关于图神经网络相关论文，涉及到论文复现，所以要啃源码。
只是一个代号不必认真·2023-01-21 21:56

Pytorch实现GCN(基于Message Passing消息传递机制实现)

本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
꧁ 东 风 ꧂·2023-01-21 21:20

Pytorch实现GCN(基于PyTorch实现)

本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
꧁ 东 风 ꧂·2023-01-21 21:19

pytorch自带网络_图神经网络 PyTorch Geometric 入门教程

简介GraphNeuralNetworks简称GNN，称为图神经网络。
weixin_39887577·2023-01-21 14:38

PyTorch+PyG实现图神经网络经典模型目录

本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
꧁ 东 风 ꧂·2023-01-21 14:58

【论文解读--PR-MPC控制】（2018）Policy regularized model predictive control framework for robust legged

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加TODO:写完再整理文章目录系列文章目录前言一、简介1.机器人的应用场景2.足式机器人触地检测是一个难点3.足式机器人（步态调度+支撑相力控）是一个难点4.模型简化方法5.预测控制6.本文贡献二、理论与系统建模1.运动学模型分析（1）运动学解耦结构图：2.动力学模型分析（1）动力学简化的方法（2）动力学解耦图（3）单刚体动
盒子君~·2023-01-21 08:44

【论文解读--MPC+WBC控制】（Cheetah mini）Whole-Body Impulse Control and Model Predictive Control

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加TODO:写完再整理文章目录系列文章目录前言一、简介二、控制架构1、控制流程2、摆动腿落点规划器3、状态估计器（用于估计躯干的位置、速度、姿态）4、步态调度器和步态规划器三、模型预测控制MPC1.MPC使用的集中质量动力学模型（用于预测泛作用力f）2.模型简化假设四、WBC全身脉冲控制1.WBC使用的多体动力学模型（计算每
盒子君~·2023-01-21 08:14

【论文解读--MPC控制】Dynamic Locomotion in the MIT Cheetah 3 Through Convex Model-Predictive Control

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加TODO:写完再整理文章目录系列文章目录前言一、简介二、控制系统框图0.定义body坐标系和world坐标系1.状态机FSM2.摆动腿控制关节器3.支撑腿控制关节器4.躯干参考轨迹生成（系统状态生成）三、四足机器人（简化的）动力学模型1.动力学模型简化--近似角速度动力学--忽略俯仰角和翻滚角（φ、θ）2.简化机器人角动力
盒子君~·2023-01-21 08:13

yolov1 - you only look once:unified,real-time object detection

模型解读(上)0前言本文目的是用尽量浅显易懂的语言让零基础小白能够理解什么是YOLO系列模型，以及他们的设计思想和改进思路分别…https://zhuanlan.zhihu.com/p/183261974【论文解读
Kun Li·2023-01-20 15:24

You Only Look Once: Unified, Real-Time Object Detection论文解读

论文：链接代码：TensorFlow版本核心思想：将整张图片作为网络的输入，直接在输出层对BBox的位置和类别进行回归。回顾：两阶段目标检测的实现过程：1、采用滑动窗口，对每个窗口进行分类和位置修正；2、用RPN网络提取候选区域，特征图对应的候选区域经过roipooling得到所需特征；3、SSD继承RPN类似的anchor机制，设定预设框并对每个预设框赋予groundtruth，全卷积网络训练目
Dear_林·2023-01-20 14:10

论文解读 TOOD: Task-aligned One-stage Object Detection

github:https://github.com/fcjian/TOODpaper:https://arxiv.org/pdf/2108.07755.pdf关键点思考起点指出传统one-stage算法在在优化目标分类和定位问题中的不足（DecoupledHead分离了分类任务和回归任务[yolox表示解耦这是优点，yolo1-5都是使用yolohead统一输出位置和置信度]），最佳分类点与最佳位
万里鹏程转瞬至·2023-01-20 09:42

MobileNet系列2：MobileNetV2论文解读

目录一.创新点1.先看看MobileNetV2和V1之间有啥不同2.再看看MobileNetV2的block与ResNet的block：二.正文三.MobileNet-V2网络结构参考资料MobileNetV2是对MobileNetV1的改进，同样是一个轻量化卷积神经网络。一.创新点1.Invertedresiduals，通常的residualsblock是先经过一个1*1的Convlayer，把
Sophia$·2023-01-20 08:51

Data Poisoning Attacks to Deep Learning Based Recommender Systems论文解读

1摘要在这项工作中，作者对基于深度学习的推荐系统的数据中毒攻击进行了首次系统研究。攻击者的目标是操纵推荐系统，以便向许多用户推荐攻击者选择的目标项目。为了实现这一目标，作者将精心设计的评分注入到推荐系统中的假用户。具体来说，作者将攻击表述为一个优化问题，这样注入的评分将最大化推荐目标项目的普通用户的数量。然而，解决优化问题具有挑战性，因为它是一个非凸整数规划问题。为了应对这一挑战，作者开发了多种技
HenrySmale·2023-01-19 20:00

【论文学习】图神经网络对抗攻击顶会论文汇总（2018-2021年）

图对抗攻击在信贷领域，结合贷款人的金钱交易来评估他的信用情况，人与人的交易记录就是用图来表示。对于图来说，特征往往是离散的（例如图的结构特征，一条边要么存在，要么不存在）。对于图来说，很难定义图上的微小扰动。在图像对抗攻击领域，通常是在训练好的模型上输入扰动图片使其预测错误evasionattack，但是在图对抗攻击领域是让扰动后的图上重训练的模型性能变差，这种攻击被称为投毒攻击。图卷积网络图卷积
精致又勤奋的码农·2023-01-19 20:00

论文解读：跨域推荐模型MiNet

论文下载代码下载论文解读：跨域推荐模型MiNet一、跨域推荐基础概念1.1、什么是跨域推荐1.2、跨域推荐的优劣优势劣势二、背景三、模型设计3.1、3种类型用户兴趣跨域长期兴趣（long-terminterestacrossdomains
ybjlucky·2023-01-19 18:14

【没有哪个港口是永远的停留~ 论文解读】ArcFace

论文：ArcFace:AdditiveAngularMarginLossforDeepFace代码：https://github.com/deepinsight/insightface摘要：利用深度卷积神经网络(DCNNs)进行大规模人脸识别的特征学习的主要挑战之一是设计适当的损失函数来增强鉴别性权力。Centreloss惩罚深度特征与其对应的类中心在欧几里德空间之间的距离，以实现类内紧凑。Sph
magic_shuang·2023-01-19 10:21

多元时间序列预测之（二）LSTNet模型

文章目录LSTNet论文解读1.问题定义2.模型解读2.1卷积组件2.2递归组件2.3递归-跳过层2.4时间注意力层2.5自回归组件LSTNet论文解读本文作为第二讲，讲述使用常规深度学习方法做多元时间序列预测的模型
RicardoOzZ·2023-01-19 10:29

＜Focal Loss for Dense Object Detection＞论文解读

目录1.简介2.模型2.1二阶段要比单阶段模型效果好本质原因2.2模型结构2.3.focalloss2.3.1focalloss公式说明(1)becloss(2)控制容易分类/难分类样本的权重(3)控制正负样本的权重(4)focalloss(5)bcevsce，即二分类交叉熵vs多分类交叉熵2.3.3论文其他设定2.4消融实验3.源码详解4ref1.简介目标识别有两大经典结构:第一类是以Faste
熊猫小妖·2023-01-19 10:56

使用神经网络进行预测,图神经网络 社交网络

什么是神经网络法？。神经网络的介绍2006-10-2314:58原文摘自:()Introduction--------------------------------------------------------------------------------神经网络是新技术领域中的一个时尚词汇。很多人听过这个词，但很少人真正明白它是什么。本文的目的是介绍所有关于神经网络的基本包括它的功能、一般
快乐的小荣荣·2023-01-19 09:36

FMEN网络----《Fast and Memory-Efficient Network Towards Efficient Image Super-Resolution》论文解读

目录初步介绍：引言：相关工作：内存分析：网络结构：ERB：HFAB：总结一下整体网络的设计：实验：ERB的有效性：与其他注意力机制的比较：与SOTA方法的比较：频率分析：根据参考论文，补充知识点：学习SRFBN：初步介绍：首先说一下什么是EISR：高效的图像超分辨率。所谓的高效，是针对两个方面而言：运行时间（比如推理时长）和内存消耗。出于现实原因，主要是由于资源受限的设备，高效的图像超分辨率网络愈
子壹·2023-01-19 07:57

BSRN网络——《Blueprint Separable Residual Network for Efficient Image Super-Resolution》论文解读

目录摘要：网络架构：具体流程：BSConv：ESDB——EfficientSeparableDistillationBlock：BlueprintShallowResidualBlock(BSRB)：ESA和CCA：实验：BSRN的实现细节：BSRN-S（比赛）的实现细节：不同卷积分解的效果：ESA和CCA的有效性:不同激活函数对比：BSRN的有效性：和SOTA方法的对比：视觉效果比较：BSRN-
子壹·2023-01-19 07:54

centernet论文解读

目录1、序言2、论文3、优势和劣势3.1优势3.2劣势4、结论1、序言conternet在19年刚出来的时候就对它特别感兴趣，后面遇到了FCOS，就把它遗忘了，但是centernet还是具有很多新颖的idea，值得分析一下。但最近看了一下论文以后突然对各种检测模型的界限不像以前划分的那么清了，什么两阶段和单阶段，anchorfree和anchorbase在我看来主要还是在定义正负样本的区别，还有框
超超爱AI·2023-01-19 06:46

目标检测：CenterNet论文解读及代码详解

论文思想当前anchor-based目标检测方法可分one-stage、two-stage两种。one-stage模型利用anchor机制得到大量的框，之后直接加入回归、分类分支对框进行分类与微调。two-stage模型则首先提出大量的候选框，使召回率达到最大，之后在第二个stage对这些候选框进行分类与回归。无论是one-stage还是two-stage方法都存在大量的计算资源浪费和必须后处理（
有节操的正明君·2023-01-19 06:15

基于图神经网络强化学习解决车辆路径规划问题

一、实验要求复现以下论文的方法和结果：Duan,L.,Zhan,Y.,Hu,H.,Gong,Y.,Wei,J.,Zhang,X.,Xu,Y.:Efficientlysolvingthepracticalvehicleroutingproblem:Anoveljointlearningapproach.In:KDD.pp.3054–3063(2020)1．为了节省时间，训练用10个（或以上）的城市规
数学是算法的灵魂·2023-01-18 23:55

GIKT:A Graph-based Interaction Model for Knowledge Tracing

arxiv.org)代码地址：ApexEDM/GIKT:GIKT:AGraph-basedInteractionModelforKnowledgeTracing(github.com)个人理解：本篇文章使用图神经网络继续知识追踪
奥特曼熬夜不sleep·2023-01-18 23:55

基于图神经网络强化学习解决车辆路径规划问题（完整代码）

一、实验要求复现以下论文的方法和结果：Duan,L.,Zhan,Y.,Hu,H.,Gong,Y.,Wei,J.,Zhang,X.,Xu,Y.:Efficientlysolvingthepracticalvehicleroutingproblem:Anoveljointlearningapproach.In:KDD.pp.3054–3063(2020)1．为了节省时间，训练用10个（或以上）的城市规
甜辣uu·2023-01-18 23:24

论文解读 - 城市自动驾驶车辆运动规划与控制技术综述 (第3部分)

文章目录IV.MothonPlanning（运动规划）A.PathPlanning（路径规划）B.TrajectoryPlanning（轨迹规划）C.VariationalMethods（变分法）IV.MothonPlanning（运动规划）Themotionplanninglayerisresponsibleforcomputingasafe,comfortable,anddynamically
同学来啦·2023-01-18 19:30

YoloV1、YoloV2（9000）、Yolov3论文笔记

YOLOV1论文解读摘要：将对象检测框架为一个回归问题，回归到空间分隔的边界框和相关的类概率。在一次评估中，单个神经网络直接从完整的图像中预测边界框和类概率。
奔跑的小仙女·2023-01-18 17:07

Towards open world object detection CVPR2021开放集识别率论文解读

【9】JosephKJ,KhanS,KhanFS,etal.Towardsopenworldobjectdetection[C]//ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.2021:5830-5840.本文开发了一种新的方法，称为ORE，基于对比聚类，位置类别RPN网络和基于能量的未知类型识别进
appron·2023-01-18 16:49

TABs(Type Abstraction，类型抽象)：Open Relation and Event Type Discovery with Type Abstraction论文解读

OpenRelationandEventTypeDiscoverywithTypeAbstractionpaper：2212.00178.pdf(arxiv.org)code：raspberryice/type-discovery-abs:Codeforpaper“OpenRelationandEventTypeDiscoverywithTypeAbstraction”.EMNLP22’(gith
Trouble..·2023-01-18 12:47

UPerNet：Unified Perceptual Parsing for Scene Understanding论文解读

UnifiedPerceptualParsingforSceneUnderstanding论文：[1807.10221]UnifiedPerceptualParsingforSceneUnderstanding(arxiv.org)代码：CSAILVision/unifiedparsing:CodebaseandpretrainedmodelsforECCV’18UnifiedPerceptual
Trouble..·2023-01-18 12:47

Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation论文解读

Swin-Unet:Unet-likePureTransformerforMedicalImageSegmentation论文：[2105.05537]Swin-Unet:Unet-likePureTransformerforMedicalImageSegmentation(arxiv.org)代码：HuCaoFighting/Swin-Unet:Thecodesforthework“Swin-U
Trouble..·2023-01-18 12:13

图神经网络时间序列预测,神经网络预测未来数据

1、神经网络预测值为何全相同最大的可能性是没有归一化。具体原因见下：下面这个是经典的Sigmoid函数的曲线图：如果不进行归一化，则过大的输入x将会导致Sigmoid函数进入平坦区，全部趋近于1，即最后隐层的输出全部趋同。输出层是个purelin，线性组合后的输出层输出当然也全是几乎相同的了。使用matlab进行归一化通常使用mapminmax函数，它的用法：[Y,PS]=mapminmax(X,
小六oO·2023-01-18 11:56

【CV】PAA论文解读：在物体检测中利用概率分布来将anchor分配为正负样本

导读又一篇anchor匹配策略的文章，不过确实是简单有效，在ATSS上只需要很小的修改就可以提升性能。GFL2在框的预测上用上了概率分布，这里又在anchor匹配上用上了概率分布。代码：https://github.com/kkhoot/PAA论文：https://arxiv.org/abs/2007.08103摘要：文章提出了一种新的anchor分配机制，根据模型的学习状态，自适应的将ancho
风度78·2023-01-18 10:15

2022_07_11_10_51x51的kernelsize暴力美学：SLaK论文解读

title:2022_07_11_10_51x51的超大kernelsize真的管用吗：SLaK论文解读date:2022-07-1122:33:33category:默认分类本文介绍2022_07_11
小肉包老师·2023-01-18 01:17

零基础多图详解图神经网络（GNN/GCN）【论文精读】

这也是整个图神经网络要关注的重点。一、数据如何表示成图如何把一张图片表示成图，假如我们有一张图，其高宽都是244.然后有三
黄乐荣·2023-01-17 16:17

树的高度从零还是一开始数_Science论文解读：打牌一时爽，一直打牌一直爽

作者丨王曲苑学校丨西南大学博士生研究方向丨人工智能、边缘计算近些年来，AI取得长足进步的同时，游戏一直伴随其左右，不论是Dota、星际、围棋还是德州扑克都成为检验其发展程度的验金石。2005年MichaelBowling等人就在《Science》上发表《Heads-uplimithold’empokerissolved》，2018年NoamBrown等人在《Science》发表《Superhuma
weixin_39927623·2023-01-17 16:16

VoTr:Voxel Transformer for 3D Object Detection 论文解读

···abstract本文提出来voxel-basedtransformer主骨干，叫做VoxelTransformer（VoTr）。3D卷积在voxel-based（体素系列）不能够有效捕捉大范围信息，由于感受野的限制。所以提出来将自注意力机制应用与voxel中，即transformer-based的结构能够解决这个问题。直接应用标准的transformer不可行，所以提出改进thesparse
莫～忆轩*·2023-01-17 15:49

论文解读：HUBERT HOW MUCH CAN A BAD TEACHER BENEFIT ASR PRE-TRAINING

HUBERTHOWMUCHCANABADTEACHERBENEFITASRPRE-TRAINING文章来源：icassp2021研究背景：相比于CV和NLP领域，ASR领域中自监督预训练方法面临3个挑战。一条语音句子中存在多个发音单元。只进行audio-pretraining，没有发音单元的词典。发音单元变长，没有清晰的段边界。在这篇文章中，作者提出了HIdden-UnitBERT(HUBERT)
ZQSZXY·2023-01-17 15:47

论文解析： Bag of Freebies for Training Object Detection Neural Networks

目标检测必读论文解读：BagofFreebiesforTrainingObjectDetectionNeuralNetworks目录目标检测必读论文解读：BagofFreebiesforTrainingObjectDetectionNeuralNetworksContribution
jia++ming·2023-01-17 13:10
上一页 24 25 26 27 28 29 30 31 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他