Convolutional 第8页

[论文笔记-2]Dual Graph Convolutional Networks for Aspect-based Sentiment Analysis

题目、作者一、Abstract【写作目的】由于依赖分析结果的不准确性以及在线评论的非正式表达和复杂性，基于依赖树的图神经网络改进有限，本文提出了一种同时考虑句法结构互补性和语义相关性的双图卷积网络（DualGCN）模型来克服这些挑战SynGCN模块(具有丰富语法知识)→减少依赖分析错误SemGCN模块(自注意力机制)→捕获语义关联3.此外，本文提出正交和微分正则化器，通过约束SemGCN模块中的注

lnbbbb·2023-02-01 17:02

对Finger-vein biometric identification using convolutional neural network的理解以及扩展应用

读了这篇关于手指静脉识别的文章，想利用其中的思想，用于手掌静脉识别问题当中。在这里列出文中的一些思路和自己的联想扩展。首先是文章的理论背景。LeCun等人提出了一种称为Lenet-5的知名CNN架构。在手写识别问题中应用的Lenet-5CNN，包括了执行卷积与降采样操作交替的七个层。第一层卷积涉及有卷积核的输入，基本上作为提取输入样本的显著特征的边缘检测器。在这种情况下，尺寸为5*5的核由包含产生

furuiyang_·2023-02-01 16:19

论文笔记：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

ICLR20171abstract和intro部分问题的setting在图上进行节点分类，其中只有一部分节点有label——>基于图的半监督学习传统的方法是使用平滑正则其中L0表示图中有监督部分的lossf是神经网络，Δ=D-A表示unnormalized的拉普拉斯矩阵这种方式假设相邻的节点有相同/相似的label——>这种平滑性假设在一定程度上限制了模型的表达能力论文中直接使用一个神经网络f(X

UQI-LIUWJ·2023-02-01 12:07

Kipf-GCN《Semi-Supervised Classification With Graph Convolutional Networks》论文详解

目录1.前言2.提出GCN2.1先前方法的局限性2.2作者提出的方法2.2.1引入谱卷积通过Chebyshev多项式改进卷积核对卷积操作进行简化使用一阶Chebyshev多项式的卷积核简化特征向量最大值进一步限制卷积核参数量对邻接矩阵和度矩阵进行重新规范化卷积操作的向量化形式GCN的公式GCN用于半监督图分类在无向图上进行半监督节点分类GCN贡献GCN局限性附录（作者简介）1.前言这篇发表在ICL

November丶Chopin·2023-02-01 09:37

【论文翻译】【剪枝】Filter Pruning via Geometric Medianfor Deep Convolutional Neural Networks Acceleration

weixin_50862344·2023-02-01 08:39

Very Deep Convolutional Networks for Large-Scale Image Recognition-VGGNet解读

作者：HYH日期：2020-9-10论文期刊：ICLR2015标签：VGG论文：《VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition》一、简介：2014年,牛津大学计算机视觉组(VisualGeometryGroup)和GoogleDeepMind公司的研究员一起研发出了一种新的深度卷积神经网络：VGGNet,并取得了ILSVRC

中南大学苹果实验室·2023-01-31 23:29

【图像去模糊】Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring论文笔记

一.论文概述一般因动态场景造成的非均匀模糊是图像去模糊中一个具有挑战性的问题，这类模糊由相机抖动、场景深度以及多个对象运动造成。消除这类复杂运动模糊，传统的基于简单假设的方法不在适用在本文中，作者提出了一种多尺度卷积神经网络，以端到端的方式恢复由多种原因造成的模糊图像，作者还提出了多尺度损失函数来模拟传统的由"粗糙到精细"的方法。此外，作者还提出了一个新的大规模数据集（仅由模糊和清晰图像对组成），

亿点困难·2023-01-31 15:52

ADNet: Attention-guided Deformable Convolutional Network for High DynamicRange Imaging

Abstract在本文中，我们提出了一种用于手持多帧高动态范围（HDR）成像的注意力引导可变形卷积网络，即ADNet。这个问题包括两个棘手的挑战，即如何正确处理饱和度和噪声以及如何解决由物体运动或相机抖动引起的错位。为了解决前者，我们采用空间注意模块来自适应地选择各种曝光低动态范围（LDR）图像的最合适区域进行融合。对于后一种，我们建议使用金字塔、级联和可变形(PCD)对齐模块对齐特征级别的伽马校

Adagrad·2023-01-31 12:31

Spatial Graph Convolutional Networks（SGCN）

利用空间信息的图卷积网络，代码：geo-gcn，原文：SpatialGraphConvolutionalNetworks

_森罗万象·2023-01-31 10:57

论文笔记——Densely Connected Convolutional Networks(DenseNet)

论文下载：https://arxiv.org/pdf/1608.06993.pdf论文代码：https://github.com/liuzhuang13/DenseNet论文摘要：作者提到，卷积网络在靠近输入的层和靠近输出的层之间包含较短的连接(即输入卷积层的特征和卷积层输出的特征进行整合连接)，那么这个网络的训练就可以更深入、更准确、更有效。作者基于这一观察，引入DenseNet(DenseCo

BlackBack_·2023-01-31 07:53

Densely Connected Convolutional Networks（文献阅读笔记）

摘要最近的研究表明，如果卷积网络在靠近输入的层和靠近输出的层之间包含较短的连接，那么它的训练就可以更深入、更准确、更有效在本文中，我们相信这一观察，并引入了DenseConvolutionalNetwork(DenseNet)，它以前馈方式将每一层连接到每一层。传统的卷积网络有L层L个连接-在每层与其后续层之间有，而我们的网络有L(L+1)/2L(L+1)/2L(L+1)/2个直接连接。对于每一层

不吃·2023-01-31 07:52

附代码 DenseNet---Densely Connected Convolutional Networks

DenselyConnectedConvolutionalNetworks论文解读代码链接：https://github.com/bamos/densenet.pytorch论文链接：https://arxiv.org/abs/1608.06993摘要：最近的研究表明，如果卷积网络包含靠近输入的层和接近输出的层之间的较短的连接，那么它们就可以更深入、更准确、更高效地进行训练。在本文中，我们接受了这

向上的阿鹏·2023-01-31 07:52

【论文】Densely Connected Convolutional Networks（DenseNet译文）

摘要最近的研究表明，如果在靠近输入层与输出层之间的地方使用短连接（shorterconnections），就可以训练更深、更准确、更有效的卷积网络。在这篇文章中，我们基于这个观点，介绍了稠密卷积网络（DenseNet），该网络在前馈时将每一层都与其他的任一层进行了连接。传统的L层卷积网络有L个连接——每一层与它的前一层和后一层相连——我们的网络有L(L+1)/2个连接。每一层都将之前的所有层的特征

pangpd·2023-01-31 07:52

【paper 1】Densely Connected Convolutional Networks CVPR2017 随笔

第一篇找到了CVPRbestpaper。参考链接网络模型--DenselyConnectedConvolutionalNetworksCVPR2017最佳论文作者解读：DenseNet的“what”、“why”和“how”｜CVPR2017论文笔记：DenselyConnectedConvolutionalNetworks(DenseNet模型详解)【文献阅读】DenselyConnectedCo

117瓶果粒橙·2023-01-31 07:21

Densely Connected Convolutional Networks

论文链接：https://arxiv.org/abs/1608.06993代码：https://github.com/liuzhuang13/DenseNet一、论文介绍：在本文中，作者提出了一种架构：为了确保网络中各层之间的最大信息流，将所有层(具有匹配的特征图大小)直接相互连接。为了保持前馈特性，每一层从前面的所有层获得额外的输入，并将自己的特征映射传递给随后的所有层。这种布局如上图所示。最重

小小小~·2023-01-31 07:51

Densely Connected Convolutional Networks手动翻译

DenseNet：1）特点：1.缓解了消失梯度问题2.增强了特征传播，改进了整个网络的信息流和梯度3.促进了特征再用，以开发网络的潜力4.更少的参数，因为不需要重新学习冗余的特征映射5.密集连接具有正则化效果，可以减少过拟合2）架构：1.通过跳跃连接利用CNNs的多级特征对各种视觉任务都是有效的2.以前馈的方式将每个层都连接到其他每一层，产生L(L+1)/2个直接连接3.DenseNet层非常窄，

qq_35024702·2023-01-31 07:20

看论文系列（一）——Densely Connected Convolutional Networks（DenseNet）解读

论文：DenselyConnectedConvolutionalNetworks论文链接：httpsDenseNet一、摘要二、模型结构2.1.对ResNet的改进2.2.两个主要的块一、摘要摘要提到本文模型的主要优点是：1.它们缓解了梯度消失问题2.加强了特征传播和特征复用3.大大减少了参数数量我们接下来在文中看本文的这些优点是如何得出的，先解释一下第一段标记的内容，其内容是说传统的CNN网络L

酒与花生米·2023-01-31 07:19

Densely Connected Convolutional Networks 阅读

https://blog.csdn.net/u014380165/article/details/75142664论文：DenselyConnectedConvolutionalNetworks论文链接：https://arxiv.org/pdf/1608.06993.pdf代码的github链接：https://github.com/liuzhuang13/DenseNetMXNet版本代码（有

hjxu2016·2023-01-31 07:47

【论文阅读及复现】（2017）Densely Connected Convolutional Networks + Pytorch代码实现

文章目录一、摘要二、DenseNet网络结构三、DenseBlock四、PyTorch-GPU代码实现论文来源：（2017）DenselyConnectedConvolutionalNetworks作者：GaoHuang等人一、摘要最近的工作表明，如果卷积网络在靠近输入的层和靠近输出的层之间包含较短的连接，则它们可以更深、更准确和更有效地训练。在本文中，我们接受了这一观察并介绍了密集卷积网络（De

WSKH0929·2023-01-31 07:45

Quantizing deep convolutional networks for efficient inference: A whitepaper

本文是对当前量化方法的一个总结。量化设计统一仿射量化它将浮点数量化到(0,Nlevel-1)，这里Nlevel是2的bit次方。对cnn来说，卷积操作变为：这种方法在推断时能够取得更快的速度，因为它的激活值求和以及权重值都是常量。统一对称量化随机量化随机量化是将量化器视作一个round操作内的加性噪音，因为很多硬件并不支持随机采样，因此它往往并不在推断时使用。Notethatinexpectati

JachinMa·2023-01-31 01:00

论文阅读笔记U-net：Convolutional Networks for Biomedical Image Segmentation

U-net：ConvolutionalNetworksforBiomedicalImageSegmentation转载于:https://www.cnblogs.com/fighting-lady/p/7118317.html

weixin_30278311·2023-01-30 12:31

Fixed-point Quantization of Convolutional Neural Networks for Quantized Inference on Embedded Pla...

这篇论文主要使用位宽（Bitwidth）和小数偏移（FractionalOffset）这两个参数来表征定点数，其中总位宽又由符号（S）位数、整数（I）位数以及小数（F）位数所组成（如图1）。论文的整一个叙述过程就是教我们如何找出最优的位宽和小数偏移的过程。图1定点表示因为这篇文章涉及到大量数学公式，在这里编写不方便，我直接在word上写好截图过来了。image.png算法1这个算法里边有两种子算法

教训小磊·2023-01-30 10:13

论文笔记之Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction

FeatureGenerationbyConvolutionalNeuralNetworkforClick-ThroughRatePrediction目标：CTR预估。本文指出之前的CTR预估模型大多都基于特征交互，然而这些模型的问题在于相比于特征交互空间的规模，真正有效的特征交互往往是稀疏的，因此在这种大量参数的情况下进行有效学习是困难的。Wide&Deep通过在wide部分的特征工程来帮助de

小弦弦喵喵喵·2023-01-29 19:09

论文阅读“CpT: Convolutional Point Transformer for 3D Point Cloud Processing”

CpT:ConvolutionalPointTransformerfor3DPointCloudProcessing文章信息1.摘要2.问题3.思路4.方法5.平台6.验证7.参考文章信息1.摘要我们介绍了CpT：ConvolutionalpointTransformer–一种新的深度学习体系结构，用于处理三维点云数据的非结构化性质。CpT是对现有基于注意的卷积神经网络以及以前的3D点云处理变压器

zycongzz·2023-01-29 17:52

MobileNets: Efficient Convolutional Neural Networks for Mobile Vision

Abstract针对移动端和嵌入式视觉应用问题，本文提出一类名为MobileNets的高效模型。它的基本单元是轻量化深度网络的深度可分离的卷积操作组成的流线型网络结构。引入了两个能够平衡延迟和精度的超参数。这些超参数允许模型构建者根据问题的约束为其应用程序选择适当大小的模型。我们在资源和精度权衡方面进行了大量的实验。与其他流行的ImageNet分类模型相比，我们的模型显示了较强的性能。我们在许多诸

表达_·2023-01-29 16:13

[Paper] || KGCN详解 Knowledge Graph Convolutional Networks for Recommender Systems

一句话总结：用GCN对KnowledgeGraph做ModelMotivation推荐系统中存在的问题用户-物品的交互数据非常稀疏冷启动问题（有新的item加入时，无法根据用户和这个item的历史记录做推荐）传统推荐系统方法遇到的问题.png解决思路：引入其它信息（Sideinformation）社交网络物品/用户的属性上下文信息（用户在哪里买的，当时购物车里还有什么其它信息...）知识图谱Kno

葵sunshine·2023-01-29 14:59

pjreddie版darknet在cudn11下编译问题解决

前几天解决了pjreddie版的darknet在cudnn8环境下的编译问题，见我的博文《pjreddie版darknet在cudnn8.x环境下编译问题解决》，之前使用的是cuda10.2，修改了convolutional_layer.c

开心的饲养员·2023-01-29 11:58

Coarse to Fine Multi-Resolution Temporal Convolutional Network

文章目录AbstractIntroductionMethodology模型结构Coarse-to-FineEnsemble(C2FEnsemble)Abstract目标：解决过度分割问题。方法：时间编码器-解码器来解决序列碎片问题。特点：解码器遵循具有多个时间分辨率的隐式集合，并且从粗到细。其他贡献：采用多分辨率增强策略以强化训练；设计了支持架构的损失函数。成果：在三个数据集上取得了最好的效果。I

右边是我女神·2023-01-29 04:19

TCN: TEMPORAL CONVOLUTIONAL NETWORKS

搬运自：RaushanRoy-TEMPORALCONVOLUTIONALNETWORKSLearningsequencesefficientlyandeffectivelyUntilrecentlythedefaultchoiceforsequencemodelingtaskwasRNNsbecauseoftheirgreatabilitytocapturetemporaldependencies

小卜妞~·2023-01-29 04:49

darknet yolo 层设置

[convolutional]size=1stride=1pad=1filters=255activation=linear[yolo]mask=3,4,5anchors=10,13,16,30,33,23,30,61,62,45,59,119,116,90,156,198,373,326classes

falldew·2023-01-28 23:52

Relational Graph Convolutional Network for Gendered Ambiguous Pronoun Resolution

LookAgainattheSyntax:RelationalGraphConvolutionalNetworkforGenderedAmbiguousPronounResolutionOriginalPaperhttps://www.aclweb.org/anthology/W19-3814/IntroductionWeproposeanend-to-endresolverbycombining

m0_62962274·2023-01-28 10:43

Congested Crowd Instance Localization with Dilated Convolutional Swin Transformer

DCST（人群定位）提出问题：微小物体&相互遮挡和模糊区域如何在高密度人群场景中实现精确的实例定位，并缓解传统模型的特征提取能力因目标遮挡、图像模糊等而降低的问题。解决方法：提出了一种将transformer和传统卷积网络方法相结合的方法来解决人群定位的密集预测问题。在SwinTransformer主干中，在不同阶段插入两个扩展卷积块以扩大感受野，这有效地提高了特征提取的能力，尤其是对于人群场景中

Yunpeng1119·2023-01-28 09:38

论文阅读 + 复现：（LRCNs）Long-term Recurrent Convolutional Networks for Visual Recognition and Description

目录写在前面网络架构论文中的训练细节复现代码时遇到的问题&解决方案1、如何动态调整pretrainedmodel中的layer？2、RuntimeError:Inputandparametertensorsarenotatthesamedevice,foundinputtensoratcpuandparametertensoratcuda:03、torch.nn.Linear用法4、torch.n

小吴同学真棒·2023-01-28 08:06

论文阅读“Semi-supervised learning with mixed-order graph convolutional networks”

WangJ,LiangJ,CuiJ,etal.Semi-supervisedlearningwithmixed-ordergraphconvolutionalnetworks[J].InformationSciences,2021,573:171-181.摘要导读近年来，图卷积网络（GCN）在半监督学习（SSL）方面取得了重大进展。然而，现有基于GCN的方法有两个主要的局限性。首先，基于GCN的方

掉了西红柿皮_Kee·2023-01-28 03:42

Yolov3模型——pytorch实现

Yolov3的结构：backbone为Darknet53的特征提取部分，其中Convolutional表示Conv+BN+LeakyReLU，Residual表示进行残差连接；输入图像经过backb

CV_Peach·2023-01-26 10:00

pytorch情感分析入门4-Convolutional Sentiment Analysis

这一节中，我们将使用卷积神经网络（ConvolutionalNeauralNetwork,CNN)来实现句子的情感分类。CNN常用于图像分析，由一个或多个卷积层，及后面的一个或多个线性层组成。卷积层最大的优势是其权重可以通过后向传播学习。学习权重的直观想法是，卷积层就像特征提取器一样，提取图像中对CNN目标最重要的部分。关于权重学习的直观想法是，卷积层好比特征提取器，可以提取对于你的CNN的目标图

m0_61688615·2023-01-26 07:39

RA-GCN：Richly Activated Graph Convolutional Network for Robust Skeleton-based Action Recognition

RichlyActivatedGraphConvolutionalNetworkforRobustSkeleton-basedActionRecognitionTCSVT2020丰富的激活图表卷积网络，用于基于骨骼的骨骼动作识别现有方法大多使用完整的骨架，但是现实生活中，捕获不完全的或嘈杂的骨架是不可避免的，当某些信息关节被遮挡或受到干扰时，这可能会降低性能。探索在所有骨架关节上传播充分辨别特征使

KrystalKarlieKarina·2023-01-25 12:36

【李宏毅机器学习笔记】9、卷积神经网络（Convolutional Neural Network，CNN）

【李宏毅机器学习笔记】1、回归问题（Regression）【李宏毅机器学习笔记】2、error产生自哪里？【李宏毅机器学习笔记】3、gradientdescent【李宏毅机器学习笔记】4、Classification【李宏毅机器学习笔记】5、LogisticRegression【李宏毅机器学习笔记】6、简短介绍DeepLearning【李宏毅机器学习笔记】7、反向传播（Backpropagatio

qqqeeevvv·2023-01-25 11:26

「ICLR2021_rejected」【RETHINKING THE PRUNING CRITERIA FOR CONVOLUTIONAL NEURAL NETWORK】论文笔记

「ICLR2021_rejected」【RETHINKINGTHEPRUNINGCRITERIAFORCONVOLUTIONALNEURALNETWORK】论文笔记Abstract1.Introduction2.WeightDistribution-Assumption2.1StatisticalTest3.SimilarityEmpiricalAnalysisTheoreticalAnalysi

Ed. Liu·2023-01-24 08:11

Spiking Deep Convolutional Neural Networks for Energy-Efficient Object Recognition

论文名：SpikingDeepConvolutionalNeuralNetworksforEnergy-EfficientObjectRecognition中文名：脉冲卷积神经网络做高效的目标识别摘要深度神经网络（如CNN）已经在处理复杂的视觉问题（如目标识别）上展示了巨大的潜力。基于SNN的结构展示了使用基于脉冲的神经形态硬件实现低功耗的巨大潜力，这项工作描述了一种将CNN转换为SNN的新方法—

月臻·2023-01-24 08:39

EEG-GNN论文阅读和分析：《EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks》

《EEGEmotionRecognitionUsingDynamicalGraphConvolutionalNeuralNetworks》算法方案构建邻接矩阵：按照Fig.3，展示的空间关系，在两个EEG的通道上有连接或者没有连接，这些连接关系被用来构建GCNN的邻接矩阵。计算邻接矩阵的权重：AtypicaldistancefunctionwouldbetheGaussiankernelfunct

KPer_Yang·2023-01-24 08:09

【读论文】Spiking Deep Convolutional Neural Networks for Energy-Efficient Object Recognition

IJCV2015ANN2SNN的开山之作摘要本文提出一个将深度CNN转换为SNN的新方法，使得CNN可以直接映射到神经形态硬件上实现低耗高性能。首先将CNN裁剪满足SNN的要求，训练CNN，最后将CNN权重直接应用于SNN。在Neovision2TowerandCIFAR-10数据集上达到与源CNN相当的准确率。这种基于脉冲硬件比基于FPGA硬件上实现CNN节能两个数量级。背景CNN适合在具有显著

Selena Lau·2023-01-24 08:08

【论文阅读】Convolutional MKL Based MultimodalEmotion Recognition and Sentiment Analysis

论文标题：ConvolutionalMKLBasedMultimodalEmotionRecognitionandSentimentAnalysis论文链接：https://ieeexplore.ieee.org/document/7837868摘要本文针对多模态情绪识别和情感分析的问题，提出了一种新的方法（深度卷积神经网络）从文本和视频的模态提取特征。并且设计了一个MultipleKernelL

weixin_45420890·2023-01-23 10:35

Sagittal Cervical Spine Landmark Point Detectionin X-Ray Using Deep Convolutional Neural Networks

标题：使用深度卷积神经网络的X射线矢状颈椎标志点检测期刊：3.摘要：受UNet的启发，我们提出了一种编码器-解码器卷积神经网络(CNN)，称为PoseNet。在开发我们的模型时，我们首先回顾了广泛使用的回归损失函数的弱点，例如L1和L2损失。为了解决这些问题，我们提出了一种新的损失函数专门设计用于在具有挑战性的情况（极端颈部姿势、低或高亮度和照明、X射线噪声等）下提高定位任务的准确性的功能。我们在

学着学着就能毕业吧？·2023-01-22 13:38

CS231n-assignment2-Convolutional Networks

卷积网络到目前为止，我们已经使用了深度全连接网络，使用它们探索不同的优化策略和网络架构。全连接网络是一个很好的实验平台，因为它们的计算效率非常高，但实际上所有最先进的结果都使用卷积网络。首先，您将实现在卷积网络中使用的几种层类型。然后，您将使用这些层来训练CIFAR-10数据集上的卷积网络。ln[1]:#Asusual,abitofsetupimportnumpyasnpimportmatplot

Esaka7·2023-01-21 16:02

[CS231n Assignment 2 #04 ] 卷积神经网络(Convolutional Networks )

文章目录作业介绍1.卷积操作1.1Convolution:Naiveforwardpass1.2Aside:Imageprocessingviaconvolutions1.3.Convolution:Naivebackwardpass2.池化操作2.1Max-Pooling:Naiveforward2.2Max-Pooling:Naivebackward3.更高效率的实现4.Convolution

灵隐寺扫地僧·2023-01-21 16:01

【论文翻译】Semantic Graph Convolutional Networks for 3D Human Pose Regression

【iccv论文】https://openaccess.thecvf.com/content_CVPR_2019/papers/Zhao_Semantic_Graph_Convolutional_Networks_for

weixin_50862344·2023-01-21 14:10

【论文&模型讲解】Two-Stream Convolutional Networks for Action Recognition in Videos

文章目录前言0摘要1Introduction1.1相关工作2用于视频识别的双流结构3光流卷积神经网络（时间流）3.1ConvNet输入配置4实现细节4.1测试4.2光流5实验5.1在UCF-101上单流ConvNet的对比和消融实验5.2在UCF-101和HMDB-51上的对比实验6结论及改进方向7总结前言论文标题：Two-StreamConvolutionalNetworksforActionR

friedrichor·2023-01-20 21:35

论文笔记: Diffusion-Convolutional Neural Networks

前言相较于GCN早期基于频域的若干方法，这篇论文虽然内容较少，方法存在一定的局限性，但是可以说是基于空域GCN的开山之作，它提供了一个很清晰的对非欧式空间进行卷积的思路。但是正如作者在Limitation中提到的，卷积过程中需要考虑所有结点的扩散信息限制了模型在大规模图上的计算能力。所以后续的研究很多都是在邻域进行采样的，以缩小计算量。后续的GraphSAGE可以说是此种方法的升级版要点DCNNs

饮冰l·2023-01-18 22:46

Diffusion-Convolutional Neural Networks论文笔记

Diffusion-ConvolutionalNeuralNetworks论文链接总结网络介绍1.节点分类1.1输入1.2参数1.3输出1.3.1问题2.图分类3.边分类论文链接总结这篇文章提出了hop的概念，使一个节点能够关注到与它距离更远的节点，而不仅限于一阶邻居。网络介绍这篇论文主要针对三种分类任务。1.节点分类1.1输入输入为两个矩阵，分别为矩阵P和矩阵X。X为图的特征矩阵（N*F)，P则

飞花穿庭·2023-01-18 22:12

推荐频道

Convolutional