GNN论文学习

图注意力网络论文详解和PyTorch实现

图神经网络(gnn)是一类功能强大的神经网络，它对图结构数据进行操作。它们通过从节点的局部邻域聚合信息来学习节点表示(嵌入)。这个概念在图表示学习文献中被称为“消息传递”。
deephub·2023-07-31 17:39

车道线检测-Eigenlanes 论文学习笔记

论文：《Eigenlanes:Data-DrivenLaneDescriptorsforStructurallyDiverseLanes》代码：https://github.com/dongkwonjin/Eigenlanes核心：在EigenlaneSpace中检测车道线创新点Eigenlane：数据驱动的车道描述符，在特征车道空间中紧凑地表示结构多样化的车道；SIIC-Net：高效地检测和回归
tomeasure·2023-07-31 13:51

Informer 论文学习笔记

论文：《Informer:BeyondEfficientTransformerforLongSequenceTime-SeriesForecasting》代码：https://github.com/zhouhaoyi/Informer2020地址：https://arxiv.org/abs/2012.07436v3特点：实现时间与空间复杂度为O(Lln⁡L)\mathcal{O}(L\lnL)O(
tomeasure·2023-07-31 13:51

车道线检测-LaneATT 论文学习笔记

论文：《KeepyourEyesontheLane:Real-timeAttention-guidedLaneDetection》地址：https://arxiv.org/abs/2010.12035v2代码：https://github.com/lucastabelini/LaneATT整体结构车道线的表示方式Lane={(xi,yi)}i=0Npts−1,yi=i⋅HimageNpts−1La
tomeasure·2023-07-31 13:50

Transformer 论文学习笔记

重新学习了一下，整理了一下笔记论文：《AttentionIsAllYouNeed》代码：http://nlp.seas.harvard.edu/annotated-transformer/地址：https://arxiv.org/abs/1706.03762v5翻译：Transformer论文翻译特点：提出一种不使用RNN、CNN，仅使用注意力机制的新模型Transformer；只关注句内各tok
tomeasure·2023-07-31 13:19

Task07: 按需获取的数据集类的创建和图预测任务实践

Datawhale提供的课程链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN一、环境配置和PyG安装（Colab
从你美丽的流域·2023-07-31 10:25

图神经网络（GNN）入门学习笔记（直观且简单）

文章目录图的定义和表示可以使用图数据结构的问题将图结构用于机器学习的挑战最基本的图神经网络概述汇聚操作基于信息传递的改进图神经网络全局向量信息的利用本篇文章参考发表于Distill上的图神经网络入门博客：AGentleIntroductiontoGraphNeuralNetworks。同时，所有的图片也都来源于该博客。本文主要是记录本人自己的学习体会与心得，帮助其他初学者能够更快入门图神经网络而无
北岛寒沫·2023-07-31 06:57

【论文阅读】GraphCL：Contrastive Self-Supervised Learning of Graph Representations

我们使用GNN生成同一节点的两种表示，并利用对比学习损失来最大化它们之间的一致性。在transduct
Cziun·2023-07-30 23:44

升级 Node 版本教程

/blog.csdn.net/qq_45677671/article/details/114535955因为n模块是不支持window系统：PSC:\Users\liuxing>npminstall-gnn
星哲最开心·2023-07-30 12:36

GNN文献

LearningHuman-ObjectInteractionsbyGraphParsingNeuralNetworks(ECCV2018)本文研究了图像和视频中人-物交互（HOI）的检测和识别问题。本文介绍了图解析神经网络（GPNN），它是一种端到端可微的结构知识集成框架。对于给定的场景，GPNN推断一个解析图，该解析图包括i）由邻接矩阵表示的HOI图结构，以及ii）节点标签。在消息传递推理框架
Vinteuil·2023-07-30 03:27

二十章：基于弱监督语义分割的亲和注意力图神经网络

为此，我们提出了亲和力注意力图神经网络（A2GNN）。按照先前的做法，我们首先生成伪语义感知的种子，然后基于我们新提出的亲和力卷积神经网络（CNN）将其形成语义图。
Joney Feng·2023-07-29 21:44

PP-YOLOE 论文学习

1.解决了什么问题？单阶段目标检测器能很好地平衡速度和精度，YOLO系列是其中的代表。YOLOX采用了anchor-free范式，加入了动态标签分配以提升检测表现，在TeslaV100上取得了50.1mAP，速度是68.9FPS。本文提出的PP-YOLOE为了适配各种硬件平台，没有使用可变形卷积、MatrixNMS等操作。如下图，PP-YOLOE在速度和精度方面领先于YOLOX和YOLOv5。2.
calvinpaean·2023-07-29 08:35

深度学习（二） 神经网络基础算法推导与实践

深度学习的核心就是各种不同的神经网络模型（CNN、RNN、GCN、GNN等）的学习和训练过程。
阿阿阿安·2023-07-28 21:53

【深度学习】基于图形的机器学习：概述

一、说明图神经网络（GNN）在数据科学和机器学习中越来越受到关注，但在专家圈之外仍然知之甚少。为了掌握这种令人兴奋的方法，我们必须从更广泛的图形机器学习（GML）领域开始。
无水先生·2023-07-28 20:12

2019-06-24 图像分类、目标检测、语义分割、实例分割概念

深度学习与TensorFlow:FCN论文学习笔记https://www.jianshu.com/p/376b1c99c8e7上文用一张图形象生动的阐述了目标识别/场景理解的四个技术概念：图像分类：给定一张图
MarkRyan·2023-07-28 13:29

【GNN+加密流量】NE-GConv: A Lightweight Node Edge Graph Convolutional Network for Intrusion Detection

文章目录论文名称摘要存在的问题论文贡献1.IDS框架2.图构建3.NE-GConv总结论文名称中文题目：NE-GConv:用于入侵检测的轻量级节点边图卷积网络发表期刊：Computers&Security发表年份：2023-5作者：TanzeelaAltaf，XuWang,WeiNilatex引用：@article{altaf2023ne,title={NE-GConv:Alightweightn
过动猿·2023-07-28 12:45

【GNN+加密流量】TFE-GNN: A Temporal Fusion Encoder Using GNN for Fine-grained Encrypted Trafic Classificat

TrafcGraphEncoderwithCross-gatedFeatureFusion（具有交叉门控特征融合的流量图编码器）5.下游任务6.模型总结7.实验总结论文内容数据集论文名称中文题目：TFE-GNN
过动猿·2023-07-28 12:15

YOLOv6 论文学习

1.解决了什么问题？吸收了学术圈和工业界最新的目标检测方法，包括网络结构、训练策略、测试技巧、量化和优化方法。作者有如下几点发现：目前还没有人深入研究RepVGG重参数化对检测任务的影响。直接缩放RepVGG模块的效果并不好，对于小模型而言，简单的单通道结构更好，但对于大模型来说，参数量会呈指数增加，计算量极其高昂。对重参数化的检测器做量化要格外小心，因为训练和推理时的网络结构不一致会导致性能大幅
calvinpaean·2023-07-26 22:12

论文阅读《ESSWC2018：Modeling Relational Data with Graph Convolutional Networks》

通过使用GNN编码器模型来丰富用于链接预测的因子分解模型DistMult，可以显著改善链接预测的结果。R-GCN可以视为是一个自动编码器，产生实体潜在特征的表示。R-GCN是首次
Jiawen9·2023-07-26 16:20

论文阅读《2022ICLR：Are Message Passing Neural Networks Really Helpful for Knowledge Graph Completion? 》

基于GNN的模型带来的改进归因于增强的信息聚合过程。因此目前关于为KGs开发更好的GNN的研究仍然主要集中在推进信息聚合过程。
Jiawen9·2023-07-26 16:18

[论文学习]权美香,朴松昊,李国. 视觉 SLAM 综述

摘要视觉SLAM指的是相机作为唯一的外部传感器,在进行自身定位的同时创建环境地图。SLAM创建的地图的好坏对之后自主的定位、路径规划以及壁障的性能起到一个决定性的作用。本文对基于特征的视觉SLAM方法和直接的SLAM方法,视觉SLAM的主要标志性成果,SLAM的主要研究实验室进行了介绍,并介绍了SIFT,SURF,ORB特征的检测与匹配,关键帧选择方法,并对消除累积误差的闭环检测及地图优化的方法进
Eminbogen·2023-07-26 12:16

GNN 完结

GNN学习告一段落，从：基本的图论知识、常规的图预测任务和PyG库的安装与使用：在这一节里完成了图论的基础学习，使用pytorch安装PYG库，并基本会使用.
def1037aab9e·2023-07-26 10:54

Training-Time-Friendly Network for Real-Time Object Detection 论文学习

1.解决了什么问题？目前的目标检测器很少能做到快速训练、快速推理，并同时保持准确率。直觉上，推理越快的检测器应该训练也很快，但大多数的实时检测器反而需要更长的训练时间。准确率高的检测器大致可分为两类：推理时间久的的训练时间久的。推理时间久的检测器一般依赖于复杂的后处理逻辑或沉重的检测head。尽管这些设计能提升准确率和收敛速度，但是推理速度很慢，不适合实时应用。为了降低推理速度，人们尝试去简化检测
calvinpaean·2023-07-26 08:28

TOOD Task-aligned One-stage Object Detection 论文学习

1.解决了什么问题？目标检测通过多任务学习的方式，协同优化目标的分类和定位。分类任务会学习目标的判别特征，关注于目标的显著性或关键区域，而定位任务则学习准确地定位目标的边界。因为定位和分类的学习机制不同，这俩任务学到的特征分布也不同。当这两个分支做预测时，会产生一定的错位现象。分类和定位是独立的。两个独立的分支并行地做目标分类和定位，任务之间缺乏交流，会造成预测结果不一致。如下图红色格子，ATSS
calvinpaean·2023-07-26 08:58

BEVPoolv2 A Cutting-edge Implementation of BEVDet Toward Deployment 论文学习

GithubRepo:https://github.com/HuangJunJie2017/BEVDet/tree/dev2.0ArxivPaper:https://arxiv.org/abs/2211.171111.解决了什么问题？多相机3D目标检测是自动驾驶领域的基本任务，受到学术界和工业界的大量关注。Lift-Splat-Shootviewtransformation模块在部署时最大的问题是
calvinpaean·2023-07-26 07:39

大力出奇迹——GPT系列论文学习（GPT,GPT2,GPT3,InstructGPT）

目录说在前面1.GPT1.1引言1.2训练范式1.2.1无监督预训练1.2.2有监督微调1.3实验2.GPT22.1引言2.2模型结构2.3训练范式2.4实验3.GPT33.1引言3.2模型结构3.3训练范式3.4实验3.4.1数据集3.5局限性4.InstructGPT4.1引言4.2方法4.2.1数据收集4.2.2各部分模型4.3总结说在前面最近以GPT系列为代表的大语言模型LLM掀起了一阵热
Hilbob·2023-07-25 17:49

[论文阅读笔记24]Social-STGCNN: A Social Spatio-Temporal GCNN for Human Traj. Pred.

论文:论文地址代码:代码地址作者在这篇文章中直接用GNN对目标的轨迹时空特征进行建模,并用时序CNN进行预测,代替了训练难度较大和速度较慢的RNN类方法.0.Abstract行人轨迹预测是一个比较有挑战性的任务
wjpwjpwjp0831·2023-07-25 15:46

【阅读材料精选 From-to-Date:2019.11.07~2019.12.31】

2019.12.31】重点内容【中国爬虫违法违规案例汇总】github:https://github.com/HiddenStrawberry/Crawler_Illegal_Cases_In_China【用GNN
adolhung·2023-07-25 11:16

论文精度系列之详解图神经网络

十多年来，研究人员已经开发了对图数据进行操作的神经网络（称为图神经网络或GNN）。最近的发展提高了他们的能力和表现力。我们开始在抗菌发现、物理模拟、假新闻检测、交通预测和推荐系统等领域看到实际
几两春秋梦_·2023-07-25 06:43

【论文推荐】GNN for Communication Networks最新论文

2023年开始的一个新系列，主要是整理最新发表的GraphNeuralNetworksforCommunicationNetworks(GNN4COMM)相关的最新文献，更多的GNN4COMM相关论文可以查看我们的
猴子2333·2023-07-25 02:23

【论文推荐】GNN for Communication Networks最新论文

2023年开始的一个新系列，主要是整理最新发表的GraphNeuralNetworksforCommunicationNetworks(GNN4COMM)相关的最新文献，按月更新。
猴子2333·2023-07-25 02:23

【论文学习】PromptIR：一种基于提示学习的一体化图像恢复方法

写在前面：本博客仅作记录学习之用，部分图片来自网络，如需引用请注明出处，同时如有侵犯您的权益，请联系删除！文章目录前言论文网络框架网络详解提示模块提示符生成模块(PGM)提示交互模块(PIM)实验实验-多重降解一体化实验-单次降解消融实验总结致谢参考前言图像恢复是指从降级版本恢复高质量干净图像的过程。这是一个极具挑战性的病态问题，与传统方法相比，基于深度学习的修复方法已经成为更有效的选择。基于深度
东荷新绿·2023-07-24 15:20

论文阅读 - Decoupling Graph Neural Network with ContrastiveLearning for Fraud Detection

将图神经网络与对比学习解耦用于欺诈检测论文链接：https://linmengsysu.github.io/slides/main.pdf摘要：最近，许多欺诈检测模型引入了图神经网络（GNN）来提高模型性能
无脑敲代码，bug漫天飞·2023-07-24 14:59

VoxelNet：End_to_End Learning for Point Cloud Based 3D Object Detection 论文学习与解读

写给读者文章的内容主要是我个人在学习论文的过程中按模块对论文进行了粗略的翻译并且加入了一定的理解，其中对于一些我不太了解的额外知识进行了一个补充，欢迎大家指正。IntroductionLiDAR（激光雷达）获取到的点云数据存在存在很高的随机点密度，这是由非均匀的3D空间采样，对一系列有效的传感器的遮盖和相关的动作。为了解决解决这个问题，很多方法采用人为手工制作点云的特征表现来用于3D物体识别。然而
健身的程序猿·2023-07-23 08:26

attention机制中的注意力图怎么画_注意力机制 | 图卷积多跳注意力机制 | Direct multihop Attention based GNN...

导读：目前GNNs通过利用self-attention机制已经取得较好的效果。但目前的注意力机制都只是考虑到相连的节点，却不能利用到能提供图结构上下文信息的多跳邻居(multi-hopneighbors)。因此提出Directmulti-hopAttentionbasedGraphneuralNetwork(DAGN)，在注意力机制中加入多跳信息，从邻居节点扩展到非邻居节点，增加每一层网络中的感受
Waiyuet Fung·2023-07-22 15:37

2022-2-27晨间日记

晴朗心情：是极好的纪念日：暂无任务清单昨日完成的任务，最重要的三件事：约了好友，做了康复，睡了懒觉习惯养成：今天要去锻炼哦周目标·完成进度1.复习知识点，准备出组考核2.完成小讲课PPT制作3.修改毕业论文学习
听荷·2023-07-22 01:42

图采样、随机游走、subgraph的实现

随机游走和subgraph我之前都写过不少博文了，可以参考↑这个主要是我前年还在干GNN时候接到过一个做数据集的项目，所以需要实现这些小功能。
诸神缄默不语·2023-07-21 23:43

CenterNet Objects as Points 论文学习

论文链接：ObjectsasPoints1.解决了什么问题？目标检测的任务是从图像中检出目标的矩形框。现有的检测方法大多会穷举所有潜在的目标位置，然后做分类。这非常浪费资源、低效率，并且依赖后处理。单阶段方法会在图像上放置大量的anchors，然后直接分类。双阶段方法则会对候选边框的特征进行二次计算，做分类。然后这些方法计算IoU，通过NMS后处理去除冗余的预测框。这类后处理操作是不可微的，训练起
calvinpaean·2023-07-20 17:49

《Pytorch深度学习和图神经网络(卷 2)》学习笔记——第一章

一书配套代码：https://github.com/aianaconda/pytorch-GNN-2nd-百度网盘链接：https://pan.baidu.com/s/1dnq5IbFjjdekAR54HLb9Pg
404detective·2023-07-20 11:42

GNN系列（一）：简单图论&环境配置&PyG库

GNN系列（一）—简单图论&环境配置&PyG库  图卷积神经网络（GCN）是近年兴起的基于图结构的广义神经网络结构，图论中抽象意义上的图可以来表示非欧几里得机构化数据。
XF永不007·2023-07-20 10:47

GNN学习

PyG包的安装及使用前言本篇文章主要介绍PyG包的安装，并且会介绍如何使用这个包来实现常见的图神经网络模型GCN。一、PyG包是什么？PyG包就是PytorchGeometric库，PytorchGeometric库是常用的图神经网络库。二、安装步骤1.安装pytorch和PyGpytorch-geometric需要以pytorch1.7.0以上为基础，因此首先需要安装pytorch1.7.0以上
改个名字可真难啊·2023-07-20 10:47

GNN环境安装

参考：torch_geometric踩坑实战–安装与运行亲测有效！！https://blog.csdn.net/m0_55245520/article/details/130424828pytorch查看gpucuda版本https://blog.csdn.net/jacke121/article/details/93592487x.1安装x.1.1镜像信息补充参考https://mp.weixi
樱木之·2023-07-20 10:15

【论文笔记】Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions

文章链接：https://arxiv.org/pdf/2109.12843.pdf本文是清华李勇和中科大何向南组最新的推荐中GNN综述推荐系统的发展历程浅层模型早期的推荐模型主要通过计算交互的相似度来捕获协同信号
·2023-07-20 07:54

【论文笔记】CIKM‘22 ＆ Amazon | (Navip) 推荐系统中图神经网络的去偏邻域聚合

目录1.Introduction2.RelatedWork2.1基于GNN的推荐2.2逆倾向评分IPS3.模型3.1Navip4.实验结果本文是亚马逊在CIKM2022的一篇工作论文地址：https:/
·2023-07-20 07:54

ImVoxelNet 论文学习

论文链接：ImVoxelNet:ImagetoVoxelsProjectionforMonocularandMulti-ViewGeneral-Purpose3DObjectDetection1.解决了什么问题？RGB图像成本低、数据源丰富，可以提供场景和物体的视觉信息，但不包括场景几何结构的直接信息。因此，从RGB图像检测3D物体本身就是不适当的。给定一张单目图像，基于深度学习的3D检测方法只能
calvinpaean·2023-07-20 03:32

yolov7论文学习——创新点解析、网络结构图

创新点1、提出了E-ELAN，但是只在yolov7-e6e中使用到。2、yolov7基于拼接模型的缩放方法，在yolov7x中使用到。3、将重参数化卷积应用到残差模块中或者用到基于拼接的模块中去。RepConvN4、提出了两种新的标签分配方法一、ELAN和E-ELAN1、ELANyolov7使用大量的ELAN作为基础模块。[-1,1,Conv,[64,1,1]],[-2,1,Conv,[64,1,
find_starshine·2023-07-19 16:36

FCOS 论文学习

1.解决了什么问题？之前的目标检测器如RetinaNet、SSD、YOLOv3都依赖于anchors。基于anchors的检测器有如下三个缺点：检测表现对于anchors的大小、宽高比和数量等超参数很敏感；即使精心设计了anchors，但由于大小和宽高比都是固定的，检测器很难处理形状变化很大的物体，比如小目标；为了提高召回率，基于anchor的检测器会在输入图像上放置大量的anchorboxes。
calvinpaean·2023-07-19 13:43

GFLv1 论文学习

1.解决了什么问题？单阶段目标检测器通过密集预测的方式进行分类、定位。分类一般使用FocalLoss，而边框回归则通过Diracdelta分布来学习。近年来的改进方向是引入一个单独的分支，预测定位的质量，然后用该质量分数去辅助分类得分，提升检测的表现。但质量预测存在两个问题：训练和推理时，定位质量和类别预测是不一致的。它们各自单独训练，但推理的时候是耦合在一起用的。此外，学习定位质量的监督信号只分
calvinpaean·2023-07-19 13:43

Bridging the Gap Between Anchor-based and Anchor-free Detection via ATSS 论文学习

1.解决了什么问题？Anchor-based和anchor-free方法的本质差异其实是如何定义正负样本，如果训练过程中它们采用相同的正负样本定义，最终的表现是差不多的。也就是说，如何选取正负样本才是最重要的。以单阶段anchor-based方法RetinaNet和基于中心点的anchor-free检测器FCOS为例，二者有以下三方面的差异：每个位置上anchor的个数：RetinaNet在每个位
calvinpaean·2023-07-19 13:13

MVX-Net Multimodal VoxelNet for 3D Object Detection 论文学习

论文链接：MVX-NetMultimodalVoxelNetfor3DObjectDetection1.解决了什么问题？2D目标检测取得了显著成效，但由于输入模态的本质区别，CNN无法直接应用在3D检测任务。LiDAR能准确地定位到3D空间的物体，基于LiDAR数据的检测方法通常优于2D方法。一些方法将3D点云转换为特征表示，如BEVmaps，然后用2D-CNN方法来做检测和分类。但这些方法对于点
calvinpaean·2023-07-19 13:41
上一页 4 5 6 7 8 9 10 11 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他