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(guān)鍵步驟。這里的任務(wù)是為圖像中的每個像素分配唯一的標簽（或類別），這可以被視為密集的分類問題。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)來處理它。

[49](Semantic object parsing with graph lstm, ECCV 2016)提出Graph-LSTM通過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)傳播鄰域信息來模擬長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）和點云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(gòu)造K個最近鄰（KNN）圖并使用3D GNN作為傳播模型。在展開幾個步驟之后，預(yù)測模型將每個節(jié)點的隱藏狀態(tài)作為輸入并預(yù)測其語義標簽。

由于總是有太多的點，[105](Large-scale point cloud semantic segmentation with superpoint graphs, 2017)通過構(gòu)建超點圖并為它們生成嵌入來解決大規(guī)模3D點云分割。為了對超節(jié)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(jié)點的坐標來計算邊緣表示向量。然后通過邊緣聚合更新節(jié)點嵌入。

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)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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