Graph Neural Networks
Graph Neural Networks: A Review of Methods and Applications
下載鏈接:https://arxiv.org/pdf/1812.08434.pdf
Application
Applications of graph neural networks
語義分割語義分割是圖像理解的關鍵步驟。這裏的任務是爲圖像中的每個像素分配唯一的標籤(或類別),這可以被視爲密集的分類問題。然而,圖像中的區域通常不是網格狀的並且需要非本地信息,這導致傳統CNN的失敗。一些作品利用圖形結構數據來處理它。
[49](Semantic object parsing with graph lstm, ECCV 2016)提出Graph-LSTM通過建立基於距離的超像素圖形式的圖形並應用LSTM在全球範圍內傳播鄰域信息來模擬長期依賴性和空間連接。後續工作從編碼分層信息的角度對其進行了改進[104](Interpretable structure-evolving lstm, in CVPR 2017)。
此外,3D語義分割(RGBD語義分割)和點雲分類利用更多的幾何信息,因此難以通過2D CNN進行建模。 [107](3d graph neural networks for rgbd semantic segmentation, in CVPR 2017)構造K個最近鄰(KNN)圖並使用3D GNN作爲傳播模型。在展開幾個步驟之後,預測模型將每個節點的隱藏狀態作爲輸入並預測其語義標籤。
由於總是有太多的點,[105](Large-scale point cloud semantic segmentation with superpoint graphs, 2017)通過構建超點圖併爲它們生成嵌入來解決大規模3D點雲分割。爲了對超節點進行分類,[105]利用GGNN和圖卷積。
[106]( Dynamic graph cnn for learning on point clouds, 2018)建議通過邊緣模擬點相互作用。它們通過饋送其終端節點的座標來計算邊緣表示向量。然後通過邊緣聚合更新節點嵌入。
3D GNN論文解讀博客(附代碼鏈接):