GNN论文学习第3页

【深度学习-目标检测】04 - SSD 论文学习与总结

论文地址：SSD:SingleShotMultiBoxDetector论文学习1.摘要单一深度神经网络用于对象检测：SSD方法使用一个单一的深度神经网络来直接检测图像中的对象，这与传统的需要先生成对象提议

CarNong_Blog·2023-12-27 20:08

【深度学习-目标检测】05 - YOLOv1 论文学习与总结

论文地址：YouOnlyLookOnce:Unified,Real-TimeObjectDetection论文学习1.摘要YOLO的提出：作者提出了YOLO，这是一种新的目标检测方法。

CarNong_Blog·2023-12-27 19:24

2023年12月9日~12月15日周报（调试OpenFWI代码、利用TensorBoard进行可视化、完成论文附录阅读）

目录一、前言二、学习情况2.1日志记录—Tensorboard2.1.1实例化SummaryWriter类2.1.2使用各种add方法记录数据2.2OpenFWI论文学习情况2.3训练情况2.3.1个人训练情况

摘星星的屋顶·2023-12-27 09:41

论文学习记录之OpenFWI（Large-scale Multi-structuralBenchmark Datasets for Full Waveform Inversion）

目录0Abstract—摘要1Introduction—简介2SeismicFWIandForwardModeling—地震FWI和正演模拟3OpenFWIDatasetsandDomainInterests—OpenFWI数据集与领域兴趣4OpenFWIBenchmarks—OpenFWI基准4.1DeepLearningMethodsforFWI—FWI的深度学习方法4.2InversionB

摘星星的屋顶·2023-12-27 09:40

Frequency-domain MLPs are More EffectiveLearners in Time Series Forecasting

虽然现有文献设计了许多基于RNN、GNN或Transformer的复杂架构（注意力机制的计算太占用资源，速度慢），但提出了另一种基于多层感知器（MLP）的方法，其结构简单、复杂度低且

流浪的诗人，·2023-12-27 09:28

【深度学习-目标检测】03 - Faster R-CNN 论文学习与总结

论文地址：FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks论文学习1.摘要与引言研究背景与挑战：当前最先进的目标检测网络依赖于区域提议

CarNong_Blog·2023-12-26 08:06

【深度学习-目标检测】02 - Fast R-CNN 论文学习与总结

论文地址：FastR-CNN论文学习1.摘要（Abstract）FastR-CNN方法的提出：论文提出了一种快速区域卷积网络的办法，基于之前的R-CNN网络进行改进。

CarNong_Blog·2023-12-26 08:35

ICLR 2022 | GNNAsKernel: 能提升任意GNN表达能力的通用框架

©作者|焦子豪单位|南京邮电大学来源|MINDLaboratory论文标题：FromStarstoSubgraphs:UpliftingAnyGNNwithLocalStructureAwareness收录会议：ICLR2022论文链接：https://arxiv.org/pdf/2110.03753.pdf代码链接：https://github.com/LingxiaoShawn/GNNAsKe

PaperWeekly·2023-12-26 07:56

[论文笔记] PiPAD: Pipelined and Parallel Dynamic GNN Training on GPUs

PiPAD:PipelinedandParallelDynamicGNNTrainingonGPUsPiPAD:基于GPU的流水线并行动态GNN训练[Paper]PPoPP’23摘要提出了PiPAD,一个流水线并行的

PeakCrosser·2023-12-25 09:16

深度之眼Paper带读笔记GNN.09.GGNN

文章目录前言论文结构学习目标泛读研究背景研究意义摘要章节精读细节一：GRU模型回顾细节二：GGNN模型PropagationModeloutputmodel模型框架GGNN模型特点细节三：GGS-NNs模型细节四：bAbI任务简介实验方法细节五：RNN和LSTM分析实验结果及分析总结复现数据集main.pymodel.pynote1note2note3note4dataset.pytrain.py

oldmao_2000·2023-12-25 08:12

VGG 论文学习

题目：VERYDEEPCONVOLUTIONALNETWORKSFORLARGE-SCALEIMAGERECOGNITION题目译:大规模图像识别的的深度卷积神经网络作者:KarenSimonyan∗&AndrewZisserman+VisualGeometryGroup,DepartmentofEngineeringScience,UniversityofOxford研究背景：ILSVRC-20

奋斗的bobo·2023-12-23 10:09

图神经网络并在 TensorFlow 中实现

asokraju.medium.com一、说明本文将引导您了解图神经网络(GNN)并使用TensorFlow实现该网络。在后续的文章中，我们讨论GNN的不同变体及其实现。

无水先生·2023-12-22 15:38

图卷积神经网络发展

1.图神经网络（GNN）图神经网络的概念最早在2005年提出。2009年Franco博士在其论文[2]中定义了图神经网络的理论基础。本文中所提到的图均指图论中的图(Graph)。

shadowismine·2023-12-22 10:17

pyg安装和初步试用

图的基本概念学习GNN之前需要掌握图的基本概念，这些概念基本都在数据结构这门课中涉及，需要再简单过一遍。

句_4cef·2023-12-22 08:42

[论文笔记] GNNAdvisor: An Adaptive and Efficient Runtime System for GNN Acceleration on GPUs

GNNAdvisor:AnAdaptiveandEfficientRuntimeSystemforGNNAccelerationonGPUsGNNAdvisor:GPU上GNN加速的自适应高效运行时系统

PeakCrosser·2023-12-21 17:05

GNN 图解未来: 揭秘图神经网络的无限可能

GNN图解未来:揭秘图神经网络的无限可能概述神经网络的发展&图数据的应用GNN基础图的基本结构图的分类无向图有向图加权图非加权图节点表示邻接矩阵聚合函数GNN是如何工作的消息传递机制原始GNNGCNGAT

我是小白呀·2023-12-19 09:03

论文笔记：Bilinear Attention Networks

更精简的论文学习笔记1、摘要多模态学习中的注意力网络提供了一种选择性地利用给定视觉信息的有效方法。然而，学习每一对多模态输入通道的注意力分布的计算成本是非常昂贵的。

hongyuyahei·2023-12-18 17:30

Inception V3 论文学习记录

原文：RethinkingtheInceptionArchitectureforComputerVision论文同时提出来InceptionV2和InceptionV3，它聚焦在提升模型准确率的前提下，还追求了计算效率和能耗等移动设备上的性能。目标在于充分利用计算效率通用设计原则1.避免过度降维或收缩特征，特别是在网络浅层降维会造成各通道间的相关性信息丢失，仅反映了稠密的信息2.特征越多，收敛越快

砥砺前行的人·2023-12-17 23:32

音乐可视化--论文学习（2)--音乐数据可视化调查

ASurveyonVisualizationsforMusicalDataR.Khulusi,1J.Kusnick,1C.Meinecke,1C.Gillmann,1J.Focht2andS.Jänicke31ImageandSignalProcessingGroup,InstituteforComputerScience,LeipzigUniversity,Leipzig,Germany{khu

楼下桑桑桑·2023-12-17 07:24

下午好~ 我的论文【遥感】（第一期）

写在前面：下午浑浑噩噩，泡杯茶，读篇论文吧首先说明，时间有限没有那么精力一一回复了，对不起各位了TAT文章目录遥感Bi-Dilation-formerCNN-GNN-FusionMulti-hierarchicalcrosstransformerCoupledCNNs

likeGhee·2023-12-17 03:00

从池化的角度看GNN（包含PR-GNN，EdgePool等7篇论文）下篇

从池化的角度看GNN（包含PR-GNN，EdgePool等7篇论文）下篇前言一些总结一些早期论文的简要介绍5️⃣论文StructPool：《StructPool:StructuredGraphPoolingviaConditionalRandomFields

xiaobai_Ry·2023-12-16 21:14

人工智能的下一个爆发期

项目地址：https://github.com/alibaba/euler3月，德国多特蒙德工业大学的学者们提出了PytorchGeometric，实现了诸多GNN的变体模型，上线之后获得了大佬YannLeCun

坎坎DIY·2023-12-16 07:30

《Poluparity Prediction on Social Platforms with Coupled Graph Neural Networks》阅读笔记

斯曦巍峨·2023-12-15 05:57

SMOKE Single-Stage Monocular 3D Object Detection via Keypoint Estimation 论文学习

论文地址：SMOKE:Single-StageMonocular3DObjectDetectionviaKeypointEstimationGithub地址：https://github.com/open-mmlab/mmdetection3d/tree/main/configs/smoke1.解决了什么问题？预测物体的3D朝向角和平移距离对于自动驾驶感知非常重要。现有的单目视觉方法主要包含两个部

calvinpaean·2023-12-06 23:41

A3T-GCN架构预测交通流量

我们在TGNN中引出了基于时空信息的GNN架构。但没有详述其在交通预测上的应用。近年来，智慧城市的概念越来越受欢迎。这个概念指的是使用数据来管理和改善运营和服务的城市。

Authony.·2023-12-06 18:52

GraphSAGE

GraphSAGE是GNN架构下专门设计的结构用于应对大数据集。对于科技公司而言，模型的可伸缩性对于模型后续的改进至关重要。

Authony.·2023-12-06 18:51

【论文学习】GRAPH ATTENTION NETWORKS

背景通过在图算法中引入self-attention的机制，解决图卷积中之前的一些问题，并且保证了时间和空间复杂度线性于图的边或者节点。图注意力网络计算方式1.图网络每一层的输入和输出都是每个节点的特征向量。2.每条边的注意力权重计算3.左图是self-attention权重的计算，右图是某个节点multi-head-attention的计算方式，加权多个head之后求平均。4.multi-head

WitsMakeMen·2023-12-06 18:50

CVPR 2023 精选论文学习:Seeing What You Miss Vision-Language Pre-Training With Semantic Completion Learning

以下是根据MECE原则找到的四个可以作为分类标准的特征：1.预训练任务。预训练任务是指模型在用于下游任务之前进行训练的特定任务。在视觉语言预训练的背景下，有几种常见的预训练任务：对比学习：在对比学习中，模型被训练来区分相似和不相似的示例对。例如，在视觉语言预训练的情况下，模型可以被训练来区分图像和它们对应的标题，或区分图像和它们对应的描述。掩码语言建模(MLM)：在MLM中，模型被训练来预测句子中

结构化文摘·2023-12-06 12:36

CVPR 2023 精选论文学习笔记：Instant Volumetric Head Avatars

以下是四个可以作为分类标准的特征：1.数据表示。数据表示是NeRF的一个基本方面，它决定了输入数据如何在模型中编码和利用。数据表示的选择会显著影响NeRF模型的效率、准确性和适用性。隐式NeRF。隐式NeRF使用一个连续函数来表示场景，将空间中的每个点映射到其对应的颜色和密度值。这种连续表示具有以下优点：表达力：隐式NeRF可以有效地捕捉精细的几何形状和复杂的细节，使其适用于模型复杂场景。效率：隐

结构化文摘·2023-12-06 12:06

CVPR 2023 精选论文学习笔记：UniSim A Neural Closed-Loop Sensor Simulator

基于MECE原则，我们给出以下分类标准：标准1：仿真类型仿真类型是指仿真器是否能够实时生成场景。实时仿真器能够以每秒至少30帧的速度生成图像和视频，使其适用于训练和测试自动驾驶汽车等机器人。另一方面，离线仿真器不是实时的，但它们可以生成更逼真的图像和视频。这使它们更适合创建计算机视觉算法的训练数据等任务。实时仿真：这些仿真器设计用于与模拟系统在闭环中运行，允许实时交互和决策。这种仿真类型对于训练和

结构化文摘·2023-12-06 12:05

CVPR 2023 精选论文学习笔记：Towards Scalable Neural Representation for Diverse Videos

基于MECE原则，我们给出以下四个分类标准：分类标准1：表示类型隐式神经表示（INR）隐式神经表示（INR）是一类神经网络架构，将场景或对象表示为从3D点映射到颜色和不透明度值的连续函数。该函数通常从一组训练图像或视频中学习，然后可以用于渲染场景或对象的新视图。INR已被证明

结构化文摘·2023-12-06 12:35

CVPR 2023 精选论文学习笔记：Differentiable Shadow Mapping for Efficient Inverse Graphics

以下是四个可以用来对本文选题中不同研究工作进行分类的特征：1.渲染技术可微渲染：可微渲染是一种允许从图像或其他数据中高效优化3D形状和材料的技术。这是通过使渲染过程相对于场景的参数（例如形状、材料和照明）可微来实现的。这允许使用梯度优化方法来找到最能解释输入数据的参数。可微渲染已被证明对于各种任务有效，包括图像重建、形状优化和材料估计。非可微渲染：非可微渲染是渲染的传统方法，不允许使用梯度优化。这

结构化文摘·2023-12-06 12:04

GNN Maximum Flow Problem (From Shusen Wang)

MaximumFlowProblemShusenWang图数据结构和算法课程笔记SlidesMaximumFlowProblemDescriptionNaiveAlgorithmResidual=Capacity-FlowLeft:OriginalGraphRight:ResidualGraph-Bottleneckcapacity=2-Iteration2:-Findanaugmentingpa

Simba17·2023-12-06 01:03

6-PACK论文学习及复现记录

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、基本思想1.1创新点1.2两个变换二、实现结构1.基于注意力机制生成锚点特征2.生成关键点(分对称类、非对称)2.1损失函数（非对称）2.2损失函数（对称）3.预测帧间变化4.测试指标三、项目复现3.1数据文件含义3.2代码逻辑四、复现记录4.1环境配置&复现流程4.1.1本地4.1.2服务器配置4.2遇到的问题4.2

wliu_kk·2023-12-06 00:18

深度学习与TensorFlow:FCN论文学习笔记

这篇文章陆陆续续看了快两周,其中也遇到了自己很多的知识的漏洞,踩了很多坑,这里希望能够和大家说一说,也希望大家可以分享一下自己的看法.1:FCN基本思路自从CNN成功之后,很多人都在尝试使用CNN进行图像分割,个人认为CNN最厉害的地方是他的多层结构可以自动提取学习的特征,并且将其学习,并且将提取的这些特征进行分类,但是我们当用CNN进行图像分割的时候,CNN的这项优势反而变成了劣势,因为在特征提

云时之间·2023-12-05 15:28

（pytorch进阶之路）Informer

论文：Informer:BeyondEfficientTransformerforLongSequenceTime-SeriesForecasting(AAAI’21BestPaper)看了一下以前的论文学习学习

likeGhee·2023-12-04 10:47

【GNN论文精读】A Gentle Introduction to Graph Neural Networks

2.4在机器学习中使用图形的挑战3.图神经网络3.1GNN的基

HiLittleBoat·2023-12-03 07:42

DINO-DETR论文学习记录

摘要我们介绍了DINO（带有改进的去噪器box的DETR），一种最先进的端到端对象检测器。DINO通过使用对比方式进行去噪训练、混合查询选择方法进行锚点初始化以及用于框预测的ookforwardtwice方案，在性能和效率方面比以前的类似DETR模型有所改进。DINO在COCO上实现了12个时期的49.4AP，在24个时期内实现了51.3AP，具有ResNet-50骨干和多尺度特征，与之前最好的类

彭祥.·2023-12-03 03:31

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。

mingqian_chu·2023-12-02 20:35

2020-3-9晨间日记

今天是什么日子起床：8.00就寝：我希望是23.00之前天气：雨天心情：还好纪念日：爱自己爱他的每一天任务清单昨日完成的任务，最重要的三件事：习惯养成：早睡早起周目标·完成进度每天看一篇论文学习·信息·

文木的梦想·2023-12-02 18:24

【论文笔记】PR-GNN:Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis

PR-GNN原文链接：https://arxiv.org/pdf/2007.14589.pdf作者提出PR-GNN，一种端到端的能够解释fMRI的ROI的图神经网络。

The_best_man·2023-12-02 01:22

论文学习-BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

LearningBERTArticle参考链接Thegoodsiteforlearning:https://lena-voita.github.io/nlp_course.html#whats_inside_lecturesOnlineVideo李沐老师https://www.youtube.com/watch?v=ULD3uIb2MHQBERT:BidirectionalEncoderRepre

老叭美食家·2023-12-01 12:02

论文学习-Attention Is All You Need

AttentionIsAllYouNeed目前暂时不会用到，大概了解一下即可。Recurrentmodel序列化的计算方式，难以并行，随着序列的增长，以前的记忆会逐渐丢失。而Attention机制可以观察到句子中所有的信息，不受距离影响，而且可以并行计算。参考资料：Youtubevideo:李沐老师https://www.youtube.com/watch?v=nzqlFIcCSWQQ，K，V分别

老叭美食家·2023-12-01 12:02

论文学习-Word Embedding and Word2Vec

Word2VecLeaningnoteLearningNaturalLanguageprocessingissoabstract.But,fortunately,therearesomevideosonYouTubethatexplainitclearly.SoItakesomeimagesforanote.Bytheway,iwantwritethisnotetomyblogactually,b

老叭美食家·2023-12-01 12:32

论文学习-Bert 和GPT 有什么区别？

FoundationModels,Transformers,BERTandGPT总结一下：Bert是学习向量表征，让句子中某个词的Embedding关联到句子中其他重要词。最终学习下来，就是词向量的表征。这也是为什么Bert很容易用到下游任务，在做下游任务的时候，需要增加一些MLP对这些特征进行分类啥的，也就是所谓的微调fine-tune。在Bert的训练中，采用了MASK（完形填空）的思想，用句

老叭美食家·2023-12-01 12:28

【论文学习】机器学习模型安全与隐私研究综述

机器学习在数据层、模型层以及应用层面临的安全和隐私威胁，呈现出多样性、隐蔽性和动态演化的特点。应用领域：计算机视觉、自然语言处理、语音识别等应用场景：自动驾驶、人脸识别、智慧医疗等Keywords:machinelearning;poisoningattack;adversarialexample;modelprivacy;artificialintelligencesecurity引言机器学习模

Bosenya12·2023-11-30 09:05

GAN：GAN论文学习

论文：https://arxiv.org/pdf/1406.2661.pdf发表：2014一、GAN简介：GenerativeAdversarialNetworkGAN是由IanGoodfellow于2014年提出，GAN：全名叫做生成对抗网络。GAN的目的就是无中生有，以假乱真。GAN由两部分构成：生成器G+判别器D生成器：将随机输入的高斯噪声映射成图像（“假图”），判别器：判断输入图像是否来自

微风❤水墨·2023-11-29 06:37

2022-2-27晨间日记

睡觉前打算去看看房思琪的初恋乐园终于有时间去看书啦天气：晴心情：低落焦虑纪念日：外公生日任务清单昨日完成的任务，最重要的三件事：论文小组讨论找资料改进：主题不够新习惯养成：少花钱争取年末还完债周目标·完成进度完成少花钱写论文学习

温小扯·2023-11-28 20:07

KDD2020最佳论文学习：On Sampled Metrics for Item Recommendation

python小白22·2023-11-28 02:41

CVPR 2023 精选论文学习笔记：ScanDMM A Deep Markov Model of Scanpath Prediction for 360deg Images

我们给出四个符合MECE要求的分类标准：1、任务类型图像质量评估：该任务涉及评估图像的质量，通常是通过将其与参考图像进行比较。参考文献[50]和[60]都关注这个任务。视觉显著性：该任务涉及识别图像中最显著的部分。图像中最显著的部分是那些最有可能首先吸引注意力的部分。参考文献[51、52、53、<

结构化文摘·2023-11-27 09:32

推荐频道

GNN论文学习