原创 sklearn.preprocessing.OneHotEncoder()函數介紹
sklearn.preprocessing.OneHotEncoder()函數介紹 sklearn.preprocessing.OneHotEncoder(categories=‘auto’, drop=None, sparse=
2020-06-16 02:25:30
原创 《Multi-Label Image Recognition with Graph Convolutional Networks》論文理解
0.動機 多標籤圖像識別的兩個重要問題： （1）如何有效獲取目標標籤之間的相關性？ （2）如何利用這些標籤相關性提升分類表現？ 作者使用圖（graph）來對標籤之間的相互依賴關係進行建模，來靈活地獲取標籤空間中的拓撲結構： （1）
2020-06-16 02:25:30
1
原创 1.《Spectral Networks and Deep Locally Connected Networks on Graphs》論文理解
1.引言 在歐式空間中使用的CNN卷積具有平移不變性，權值共享，局部連接，分層次表達的特點；但是圖網絡是一種非歐式結構的數據，網絡是不規整的關係型數據，所以其不存在平移不變形（每個節點的周圍鄰居數不固定），導致圖網絡無法使用傳統的
2020-06-16 02:25:30
原创 《Adaptive Graph Convolutional Neural Networks》論文理解
1.AGCN模型框架 AGCN由多個連續層組合而成，其核心層爲SGC-LL層。層組合包括一個SGC-LL層，一個批處理歸一層和一個圖最大池化層。在每個SGC-LL層訓練殘差圖Laplacian，並在接着一層圖池層。在下一個SGC-
2020-06-16 02:25:30
8
原创 Spectral-based ConvGNNs
1.圖的基本定義 圖G={V,E,W}G=\{V,E,W\}G={V,E,W}是由頂點VVV和邊EEE組成，WWW表示權值鄰接矩陣，(i,j)∈E(i,j) \in E(i,j)∈E表示由iii連接到jjj的邊；圖分爲有向圖和無向
2020-06-16 02:25:30
2
原创 pytorch分類網絡入門（一）
1.定義Dataset類 在定義自己的Dataset類時，必須重新定義父類（torch.utils.data.Dataset）的以下兩個私有成員函數： class dog_cat_datastes(torch.utils.data
2020-06-16 02:25:30
原创 pytorch目標跟蹤（二）
1.目標跟蹤的框架 剛接觸目標跟蹤，嘗試了一種較爲簡單的目標跟蹤方法， 原理圖如下： 圖一 訓練過程：輸入上一幀的目標包圍框，上一幀的圖像，當前幀的圖像，標籤爲當前幀的目標包圍框（簡稱bb）。首先得到輸入後，以bb的中心剪出上
2020-06-16 02:25:30
原创 GCN（1stChebNet）節點分類代碼
0.GCN（1stChebNet）節點分類 該代碼爲《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》 一文中作者公開的代碼，代碼網址爲https:
2020-06-16 02:25:30
2
原创 3.《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》論文理解
在《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》 中，作者對《Convolutional Neural Networks on Graphs w
2020-06-16 02:25:29
原创 2.《Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering》論文理解
在 《Spectral Networks and Deep Locally Connected Networks on Graphs》的基礎上， 《Convolutional Neural Networks on Graphs w
2020-06-16 02:25:29
原创 《Dual Graph Convolutional Networks for Graph-Based Semi-Supervised Classification》論文理解
1.DualGCN模型框架 模型採用並行的兩個簡單的前饋網絡ConvA,ConvPConv_A,Conv_PConvA,ConvP，其區別僅僅時輸入的圖結構信息不同，並且這兩個並行圖卷積的參數是共享的。首先，上面支路利用有標籤
2020-06-16 02:25:29
原创 Spatial-based ConvGNNs 總結
基於合成的空間GCNs 1.MPNNs MPNNs模型中，將圖卷積的前向傳播定義爲兩個階段： 1)信息傳遞階段 2)讀出階段 (1)信息傳遞階段 當信息傳遞到第ttt步時，就以節點自身hvth_v^thvt、該節點定義好的鄰域的
2020-05-25 05:30:05
原创 《Large-Scale Learnable Graph Convolutional Networks》論文理解
1.LGCL算法框架 使得卷積神經神經網絡無法直接應用於圖數據的原因主要有兩個： （1）圖數據沒有固定數量的領域節點； （2）圖數據的節點沒有顯式或者隱式的順序； 在LGCL算法中，作者通過k-最大節點選擇部分確定圖數據的鄰域節點
2020-05-16 04:50:01
原创 《Diffusion-Convolutional Neural Networks》論文理解
1.DCNN框架 DCNN以節點的特徵矩陣以及節點的概率轉移矩陣（可以認爲是結構矩陣）爲輸入，然後以每個節點爲中心，將不同的跳（hop）上的節點信息進行聚合，得到前HHH跳的聚合向量，構成節點的擴散表示Zt(i,:,:)∈RH×F
2020-05-16 04:50:01
原创 《GRAPH ATTENTION NETWORKS》論文理解
0.動機 爲鄰域內的不同節點指定不同的權重，而不需要任何複雜的矩陣操作(比如求逆)，也不需要預先了解圖的結構。 1. 圖注意力層 輸入爲節點特徵h={h⃗1,...,h⃗N},h⃗i∈RFh=\{\vec{h}_1,...,\ve
2020-05-10 20:21:40