GNN论文学习

【论文学习记录】Ultra Fast Structure-aware Deep Lane Detection 车道线检测算法解读

UltraFastStructure-awareDeepLaneDetection个人学习记录论文链接github0.摘要1.当前像素级分割的问题场景适应能力差速度慢2.人类识别车道线的特点利用了上下文信息（可以理解为人类的联想能力）和全局信息3.本文车道线检测算法基于人类识别车道线的特点–提出结构损失函数（structuralloss）速度快，可以应对有挑战性的场景4.具体实现基于行的选择（ro
Zannnne·2023-01-31 16:34

基于图神经网络的图表征学习方法

为了高效地理解图表征学习的原理、掌握实现图表征的的工具和方法，本文先从最早的图表征方法开始介绍，然后介绍基于GNN的图表征学习方法及其Python实践。
君威1995·2023-01-31 12:34

2020-ICLR-Memory-Based Graph Networks

ICLR-Memory-BasedGraphNetworksPaper：https://arxiv.org/abs/2002.09518Code:https://github.com/amirkhas/GraphMemoryNet基于内存的图网络图神经网络（GNN
发呆的比目鱼·2023-01-31 12:03

Task06：基于图神经网络的图表征学习方法

，可以参考【GNN】WL-test：GNN的性能上界进行阅读。图同构卷积层的数学定义如下：xi′=hΘ((1+ϵ)⋅xi+∑j∈N(i)xj)\ma
idruglab.com·2023-01-31 12:03

Datawhale GNN组队学习-Task 06

基于图神经网络的图表征学习方法概述GNN目前主流的做法是递归迭代聚合一阶邻域表征来更新节点表征，如[[GCN]]和[[GraphSAGE]]，但这些方法大多是经验主义，缺乏理论去理解GNN到底做了什么，
lingwenzhenjun·2023-01-31 12:02

Datawhale GNN组队学习-Task 07

超大规模数据集类的创建在一些应用场景中，数据集规模超级大，我们很难有足够大的内存完全存下所有数据。因此需要一个按需加载样本到内存的数据集类。Dataset基类简介在PyG中，我们通过继承torch_geometric.data.Dataset基类来自定义一个按需加载样本到内存的数据集类。此基类与Torchvision的Dataset类的概念密切相关，这与第6节中介绍的torch_geometric
lingwenzhenjun·2023-01-31 12:32

[深度学习论文学习笔记]多模态融合的深度学习脑肿瘤检测方法

多模态融合的深度学习脑肿瘤检测方法论文：http://www.photon.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=22355摘要：针对目前传统方法脑肿瘤检测准确率低的问题，提出一种基于深度学习的三维脑肿瘤检测方法.首先将不同模态的脑肿瘤磁共振成像影像进行融合，获取不同模态下的脑肿瘤病灶三维空间特征；然后在卷积层和池化层之
Slientsake·2023-01-30 18:28

【论文学习】Soft-NMS: 用一行代码改进目标检测

在目标检测领域，非极大值抑制是目标检测管道中的重要一环。那么你知道它的原理吗？它有哪些缺点？如何改进？本文会介绍NMS和改进方法Soft-NMS。后续会陆续介绍其他几篇有名的NMS变体，包括IoU-GuidedNMS、AdaptiveNMS、DIoU-NMS、Softer-NMS等。详情关注【CV面试宝典】，回复关键词【NMS】可获取NMS与其变体的论文资料。摘要非极大值抑制（NMS）是目标检测管
行路南·2023-01-30 14:22

神经网络代码解读_NeurIPS2020上图神经网络好文

今年的Neurips正在进行，图神经网络也是今年的一大热点，这里总结一下GNN的文章，贴个链接和概述备忘，如果有错误的或者遗漏的文章请大家一定指出来。
幸运大喵·2023-01-30 08:25

一文带你入门图机器学习

然后，我们简要介绍大家如何在图数据上学习，从神经网络以前的方法(同时我们会探索图特征)到现在广为人知的图神经网络(GraphNeuralNetwork，GNN)。
·2023-01-29 13:33

【论文学习】UPHDR-GAN: Generative Adversarial Network forHigh Dynamic Range Imaging with Unpaired Data

UPHDR-GAN：基于非配对数据的高动态范围成像生成对抗网络摘要introduction主要贡献proposedmethod网络框图网络详介1、输入2、生成器输出3、生成器4、鉴别器5、Min-patchModule损失函数优化方程目标函数GANLoss:摘要本文提出了一种有效融合多曝光输入的方法，利用未配对数据集生成高质量的高动态范围(HDR)图像。基于深度学习的HDR图像生成方法严重依赖成对
这也太难了趴·2023-01-29 12:15

基于噪声伪标签和对抗学习的医学图像分割标注高效学习

解决方案：一没有图像标注对的学习二为训练图像生成伪标签2.1为训练图像生成伪标签2.2VAE-Based鉴别器2.3鉴别器引导的发生器信道校准这里有不太理解（未写完）三从嘈杂的伪标签学习四讨论与总结：五本次论文学习的问题与不理解之处
初学者冲冲冲·2023-01-29 12:08

图神经网络中的过平滑问题

图神经网络图解指南图神经网络或简称GNN是用于图数据的深度学习(DL)模型。这些年来它们变得很热。
Imagination官方博客·2023-01-29 09:41

AAAI2021 | 图神经网络最新进展解读

作者：纪厚业，北京邮电大学，智源AAAI预讲会讲者近年来，图神经网络（GNN，GraphNeuralNetwork）逐渐成为人工智能领域的一大热门领域。
智源社区·2023-01-29 09:02

GNN笔记：图信号处理（Graph Signal Processing）

1图信号处理定义图信号处理（GraphSignalProcessing，以下简称GSP）用来处理那些定义在图上的非规则域的信号。换句话说，就是处理图上定义的信号，但信号所在域是非规则的。2图信号处理例子a图：地理上各个观测点的位置b图：c图：现在我们想通过对测量地及周围的温度求平均来减少这些随机噪声，我们会对每个点取其周围区域进行平均，当然为了防止失去局部温度特征（即防止OverSmooth），我
UQI-LIUWJ·2023-01-28 08:24

图卷积神经网络3-空域卷积：GNN/GraphSAGE/PGC的引入和介绍

知乎主页https://www.zhihu.com/people/shuang-shou-cha-dai-53https://www.zhihu.com/people/shuang-shou-cha-dai-53备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。之前两篇介绍了谱域图卷积神
奥卡姆的剃刀·2023-01-27 11:28

GNN学习—卷积图神经网络(谱域)

第3篇—卷积图神经网络-Spectral引言背景知识谱域图卷积实现思路数学知识模型介绍SCNNChebNetGCN上一篇介绍了卷积图神经网络的空间域模型，本篇总结谱域的方法及模型。引言经典卷积网络处理的对象是欧式空间中的数据，他们有着序列有序性和维数一致性的特点，即该类网络只能处理固定输入维度的数据并且局部输入数据必须有序，语音、图像、视频等（规则结构）数据满足以上要求，但是并不适用于图结构数据（
不加糖也很甜^-^·2023-01-27 11:24

高光谱目标检测论文学习（4）——Hierarchical Suppression Method for Hyperspectral Target Detection

前言这篇论文是一篇稍微老一点的论文，发表于TGRS2016，主要讲了一种对CEM的改进方法，也是一篇基本思路比较简单的顶会论文。主要想通过这篇论文体会一下如何对现有经典方法进行改进。思路我们首先来回忆一下之前学过的一些高光谱目标检测方法。我们在这个系列中的前几篇文章中已经了解了很多可以用于高光谱目标检测的方法了，比如MF、ACE、AMF、ASD、OSP、CEM等等，这些方法如果给他们分个类的话，大
MrBamboo2000·2023-01-27 09:09

高光谱目标检测论文学习（6）—— Bayesian Constrained Energy Minimization for Hyperspectral Target Detection

前言之前我们我们学习了HCEM和ECEM两种CEM的改进方法，这两种方法的相同点是都考虑了实际情况，加入了非线性检测的部分，从而提升了检测性能，不同的是一个主要是采用分层迭代的思想，一个采用集成学习、级联检测的思想。在这一篇文章中我们重点介绍一种新的方法BCEM，这是一种利用贝叶斯的思想去优化改进目标光谱，从而达到提升检测性能的目的。思路回顾我们之前提过的几种CEM变种方法，他们都是默认给定的目标
MrBamboo2000·2023-01-27 09:39

高光谱目标检测论文学习（5）—— Ensemble-Based Cascaded CEM for HTD

前言上一篇我们学习的对CEM进行改进的方法是多层串联（HCEM），这种方法的本质是进行多次迭代来增加精度并使用了非线性处理来贴合真实世界情况。CEM作为一种检测器，其与分类器在很大程度上是极其相似的，而随着机器学习的兴起，集成学习成为提升分类器性能的一大重要方法。本文便是利用了集成学习的思想去对CEM进行改进，并借鉴了hCEM加入非线性处理的思想进一步贴合真实世界情况。思路CEM是一种当目标先验知
MrBamboo2000·2023-01-27 09:38

GACL：基于对抗图对比学习的社交媒体谣言检测

RumorDetectiononSocialMediawithGraphAdversarialContrastiveLearning论文链接：https://dl.acm.org/doi/10.1145/3485447.3511999论文来源：WWW2022一、概述尽管基于GNN
酷酷的群·2023-01-27 06:08

Point GNN环境配置及运行

PointGNN配置及运行文章目录PointGNN配置及运行1.官方项目地址2.多CUDA共存3.Python3.6VSCode调试不可用4.因protobuf版本太高，tensorflow无法import5.检查TensorFlowGPU支持6.KITTI数据集下载7.KITTIbat点云转pcd8.官方代码没有给3D检测框，你可以找到这部分代码，修改并查看结果1.官方项目地址GitHub-We
Neo_YH·2023-01-26 17:54

Multi-branch and Multi-scale Attention Learning for Fine-Grained Visual Categorization 论文学习

AbstractILSVRC（ImageNet大规模视觉识别挑战赛）是计算机视觉领域最权威的学术竞赛之一。直接将ILSVRC每年的冠军方案应用在细粒度视觉分类（FGVC）任务上无法取得很好的表现。对于FGVC任务而言，类间差异小而类内差异大的特点使这个问题变得很有挑战性。本文的注意力目标定位模块（AOLM）可以预测目标的位置，注意力局部提议模块（APPM）可以发现信息丰富的局部区域，无需边框或部分
calvinpaean·2023-01-25 22:30

推荐算法最前沿|KDD2020推荐系统论文一览

同时，GNN、强化学习、多任务学习、迁移学习、AutoML、元学习在推荐系统的落地应用也成为当下的主要研究点。此
文文学霸·2023-01-25 15:07

推荐算法入门：序列召回（二）

（怎么把用户的行为序列变为一个用户的向量）论文链接：https://arxiv.org/abs/1811.00855手把手教你读推荐论文-SR-GNN(baidu.com)用GNN对序列进行建模。
小小白2333·2023-01-25 15:36

SiamBAN论文学习

SiameseBAN论文来源论文背景主要贡献论文分析网络框架创新点一：BoxAdaptiveHead创新点二：Ground-truth创新点三：AnchorFree论文流程训练部分：跟踪部分论文翻译Abstract1.Introduction2.RelatedWorks2.1.SiameseNetworkBasedVisualTrackers2.2.Anchor-freeObjectDetecto
瞳瞳瞳呀·2023-01-25 12:11

如何解决图神经网络过相关？一个IBM的新视角！

了解图神经网络的朋友对于深层GNN中的过平滑问题一定不陌生，随着网络层数的增加，模型的效果反而急剧下降，令人心痛。
程序员对白·2023-01-25 10:20

fastspeech2复现github项目--数据准备

在完成FastSpeech2论文学习后，对github上一个复现的仓库进行学习，帮助理解算法实现过程中的一些细节；所选择的复现仓库是基于pytorch实现，链接为https://github.com/ming024
zzfive·2023-01-25 07:51

GNN学习—综述

第0篇—GNN综述一GNN产生原因二GNN发展三GNN分类3.1RecGNNs(RecurrentGraphNeuralNetworks)3.2ConvGNNs(ConvolutionalGraphNeuralNetworks
不加糖也很甜^-^·2023-01-24 22:06

【NeurIPS 2020】ᐕ)⁾⁾5篇GNN相关论文

推荐5篇NeurIPS2020接收的5篇GNN相关论文.分别为：1.随机游走图神经网络2.图神经网络中基于路径积分的卷积和池化算法3.大型随机图上的图卷积网络的收敛性和稳定性4.ErdősGoesNeurical
weixin_45519842·2023-01-24 22:06

GNN for NLP综述

图1：分类法，它沿着四个轴系统地组织NLP的GNN：图构建、图表示学习、编码器-解码器模型和applications。摘要深度学习已经成为处理自然语言处理（NLP）中各种任务的主要方法。
易_·2023-01-24 22:05

【GNN】高被引图神经网络（GNN）全面综述论文

论文名称：AComprehensiveSurveyonGraphNeuralNetworks论文下载：https://arxiv.org/abs/1901.00596论文年份：TNNLS2020论文被引：3203（2022/04/23）个人笔记：AbstractDeeplearninghasrevolutionizedmanymachinelearningtasksinrecentyears,ra
datamonday·2023-01-24 22:35

论文学习笔记 - Language Models with Transformers

1相关工作语言模型主要是基于RNN和Transformer两种。在Transformer提出以前，RNN及其相关变体如LSTM等，一直是语言建模方面的中流砥柱。而Transformer的出现改变了这一状况。Transformer由于没有循环结构，在处理文本这类序列数据时要比循环结构的RNN高效。2解决问题但是随着NLP的发展，模型容量越来越大，层越来越深，参数越来越多，要训练一个优良的模型需要大量
不忘初心，坚持前行·2023-01-24 08:11

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

molecular-graph-bert（一）

leveragingunsupervisedatomicrepresentationlearningformolecularpropertyprediction，原文解析：MG-BERT|利用无监督原子表示学习预测分子性质|在分子图上应用BERT|GNN
_森罗万象·2023-01-23 13:49

图网络与药物研发【数据来源与输入特征】

深度学习中药物表征主要有三种方式：描述符需要计算的定长数值向量，使用最广泛描述符质量与人类专家知识相关，需要特征工程处理分子图以原子作为节点，化学键作为边构成分子图，通过GNN学习表征向量，能够针对下游任务学习针对性的特征
_森罗万象·2023-01-23 13:40

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

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

CREATING MESSAGE PASSING NETWORKS

概述：邻居聚集和消息传递The"MessagePassing"BaseClassPyG提供了消息传递基类，用于创建GNN自动化的消息传递机制。
yihanyifan·2023-01-21 21:32

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

GCN学习：Attributed Graph Clustering via Adaptive Graph Convolution

本文从图信号处理角度来理解GNN，增强聚类效果。目标还是将节点划分成m个聚类。
我咋就看不懂·2023-01-19 21:15

(AGC)Attributed Graph Clustering via Adaptive Graph Convolution

AGC是从图信号处理谱图理论的角度来理解GNN并增强了聚类效果AGC可以自适应的选择高阶信息的阶数AGC包括两个步骤:进行k阶图卷积，获得平滑的特征表示;对学习到的特征进行谱聚类，对节点进行聚类。
东方小虾米·2023-01-19 21:07

【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

GNN教程：与众不同的预训练模型！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：秦州，算法工程师，Datawhale成员0引言虽然GNN模型及其变体在图结构数据的学习方面取得了成功，但是训练一个准确的
Datawhale·2023-01-19 08:24

CenterNet论文学习解读

文章目录资源原理简介相关研究使用anchor的目标检测优势使用关键点的目标检测优势单目3D目标检测优势网络结构预备知识损失函数推理2D检测3D检测：人体姿态估计backbone代码解读创建模型resnet_dcndla34_dcn资源论文题目：ObjectsasPoints论文地址：https://arxiv.org/pdf/1904.07850.pdf发布时间：2019.4.16机构：UTAus
措不及防·2023-01-19 06:12

GIKT论文学习

GIKT:AGraph-basedInteractionModelforKnowledgeTracing文章和代码：https://github.com/Rimoku/GIKTGIKT代码详解：待补充目录摘要实验结果介绍相关工作定义GIKT方法EmbeddingLayerEmbeddingPropagation学生状态演变历史回顾模块（HistoryRecapModule）广义交互模块(Gener
多尝试多记录多积累·2023-01-18 23:55

YOLO-V4 论文学习+唐宇迪博士课程学习笔记

论文主要贡献：1.利用单GPU即可训练一个目标检测器.2.验证了Bag-of-Freebies和Bag-of-Specials方法在训练目标检测器当中的作用。3.对包括CBN、PAN、SAM在内的现有方法进行了改进。数据增强:1.Mosaic数据增强参考CutMix将四张图像（每张各自进行数据增强）拼接成一张进行训练：2.SAT数据增强（Self-adversarial-training自对抗训练
Mechantronic Bao·2023-01-18 19:15

【论文学习笔记】《Cotatron》

《Cotatron:Transcription-GuidedSpeechEncoderforAny-to-ManyVoiceConversionwithoutParallelData》论文学习文章目录《
FallenDarkStar·2023-01-18 10:55

零基础多图详解图神经网络（GNN/GCN）【论文精读】

原文链接：AGentleIntroductiontoGraphNeuralNetworks(distill.pub)我们不仅仅关系整个图的架构，其实我们更关心的是每个顶点每条边和整个图所表示的信息。我们如何把我们想要的信息表示成以上这些向量，以及这些向量是否能够通过数据来学到。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
上一页 9 10 11 12 13 14 15 16 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他