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(yǔ)義分割語(yǔ)義分割是圖像理解的關(guān)鍵步驟。這里的任務(wù)是為圖像中的每個(gè)像素分配唯一的標(biāo)簽（或類別），這可以被視為密集的分類問(wèn)題。然而，圖像中的區(qū)域通常不是網(wǎng)格狀的并且需要非本地信息，這導(dǎo)致傳統(tǒng)CNN的失敗。一些作品利用圖形結(jié)構(gòu)數(shù)據(jù)來(lái)處理它。

[49](Semantic object parsing with graph lstm, ECCV 2016)提出Graph-LSTM通過(guò)建立基于距離的超像素圖形式的圖形并應(yīng)用LSTM在全球范圍內(nèi)傳播鄰域信息來(lái)模擬長(zhǎng)期依賴性和空間連接。后續(xù)工作從編碼分層信息的角度對(duì)其進(jìn)行了改進(jìn)[104](Interpretable structure-evolving lstm, in CVPR 2017)。

此外，3D語(yǔ)義分割（RGBD語(yǔ)義分割）和點(diǎn)云分類利用更多的幾何信息，因此難以通過(guò)2D CNN進(jìn)行建模。 [107](3d graph neural networks for rgbd semantic segmentation, in CVPR 2017)構(gòu)造K個(gè)最近鄰（KNN）圖并使用3D GNN作為傳播模型。在展開幾個(gè)步驟之后，預(yù)測(cè)模型將每個(gè)節(jié)點(diǎn)的隱藏狀態(tài)作為輸入并預(yù)測(cè)其語(yǔ)義標(biāo)簽。

由于總是有太多的點(diǎn)，[105](Large-scale point cloud semantic segmentation with superpoint graphs, 2017)通過(guò)構(gòu)建超點(diǎn)圖并為它們生成嵌入來(lái)解決大規(guī)模3D點(diǎn)云分割。為了對(duì)超節(jié)點(diǎn)進(jìn)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(guò)邊緣模擬點(diǎn)相互作用。它們通過(guò)饋送其終端節(jié)點(diǎn)的坐標(biāo)來(lái)計(jì)算邊緣表示向量。然后通過(guò)邊緣聚合更新節(jié)點(diǎn)嵌入。

3D GNN論文解讀博客（附代碼鏈接）：

https://blog.csdn.net/P_LarT/article/details/88774811

https://github.com/yanx27/3DGNN_pytorch

總結(jié)

以上是生活随笔為你收集整理的Graph Neural Networks: A Review of Methods and Applications(Semantic Segmentation应用解读)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。