2018年7月17日 · GNN：图神经网络，由于传统的CNN网络无法表示顶点和边这种关系型数据，便出现了图神经网络解决这种图数据的表示问题，这属于CNN往图方向的应用扩展 GCN：图卷积神经网络，GNN在训练过程中，有将attention引入图结构的，有将门控机制引入图结构的，还有将卷 …

2022年3月22日 · 相比传统的卷积神经网络（Convolutional Neural Network, CNN），GCN能够直接在不规则的图结构上运行，而无需将其转换为规则的网格数据。 在深入了解 图神经网络 （Graph Neural Network, GNN）之前，需要理解图的基础知识。

卷积神经网络（Convolutional Neural Networks，简称 CNN） 利用了图片在其域中的局部平移不变性（local translational invariance）在图像识别等任务中具有重要作用。 由于图片是一个规整的二维矩阵，卷积核平移到图片中的任何位置都可以保证其运算结果的一致性，这就是我们所说的“局部平移不变性”，CNN 的卷积本质就是利用这种平移不变性来对扫描的区域进行卷积操作，从而实现了图像特征的提取。 以上提到的图片是一个规整的二维矩阵，理论上来说是欧式空间的数 …

2022年8月15日 · 本文详细介绍了图卷积网络（GCN）的工作原理，包括其与卷积神经网络（CNN）的区别，如何处理非欧几里得空间数据，以及在网络中如何通过传播公式模拟顶点间的相互影响。 此外，还探讨了GCN在高光谱图像分类中的应用优化及频域图卷积神经网络的概念。 最近看到一篇引用量非常高的文章，是用 图卷积网络 处理高光谱 图像分类 任务，于去年7月发布，到现在已经有300+的引用量了，这对于高光谱分类领域来讲是一个非常快也是非常高的数 …

self-attention、non local networks和GCN可以用下面的公式（1）统一起来[2]，即 y_i = \frac{1}{C(x)} \sum_{\forall{j}} {f(x_i, x_j)g(x_j)} 其中 x_i \in \mathbb{R}^{fin \times 1} ，是 i 这个node的特征； f(x_i, x_j) \in \mathbb{R}^0 ，度量两个node之间的相似度； C(x) \in \mathbb{R^{0}} ，归一化; g(x) \in ...

如图1所示，CNN中的卷积本质上就是利用一个共享参数的过滤器（kernel），通过计算中心像素点以及相邻像素点的加权和来构成feature map实现空间特征的提取，当然加权系数就是卷积核的权重系数。

2025年2月20日 · 光谱图卷积 (Spectral CNN) 代表思路：在图的拉普拉斯谱域设计滤波器，实现类似卷积的操作。 面临问题： 需要计算完整的拉普拉斯矩阵特征分解，时间复杂度高； 对大型图来说很难直接扩展，而且实现复杂。

gcn采取的解决办法其实很容易理解，既然cnn是聚合像素点邻居的特征，那对于图谱就可以聚合每个节点邻居节点的信息，cnn是利用卷积核卷积进行信息的聚合，而gcn也设计了一个公式用于聚合图节点的邻居特征，这一个公式就是整个gcn的核心。

图卷积神经网络（Graph Convolutional Networks, GCN）是一种专门用于处理图结构数据的深度学习模型。 GCN通过定义图卷积操作，能够有效地处理图数据的非规则性和动态性。 GCN的主要特点包括： 图卷积操作：GCN引入了一种基于图的拓扑结构的卷积操作，通过节点与其邻居节点的信息传递和聚合，逐层更新节点的表示。 这种卷积不再是固定形状的，而是依赖于图的邻接关系。 局部信息聚合：与CNN类似，GCN也通过局部信息聚合来逐层学习特征。 每个节点的特征不 …

2024年12月15日 · 提出了一种gcn与cnn相结合的融合网络，通过邻接矩阵的设计聚合相邻骨骼节点的时空拓扑动态信息，同时利用cnn对时空的表征学习能力，有效地提取时空特征信息。