相關(guān)文章

• 

  論文筆記：E(n) Equivariant Graph Neural Networks

  ????????本文介紹了一種新模型來學(xué)習(xí)與旋轉(zhuǎn)、平移、反射和排列等變的圖神經(jīng)網(wǎng)絡(luò)，稱為 E(n)-等變圖神經(jīng)網(wǎng)絡(luò) (EGNN)。 ???????? 與現(xiàn)有方法相比，EGNN不需要在中間層中計(jì)算昂貴的高階表示，同時(shí)仍能獲得有競爭力或更好的性能。 此外，雖然現(xiàn)有方法僅限于 3 維空間的

  2023年04月08日

  瀏覽(29)
• 

  EEG-GNN論文閱讀和分析：《EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks》

  下面所有博客是個(gè)人對(duì)EEG腦電的探索，項(xiàng)目代碼是早期版本不完整，需要完整項(xiàng)目代碼和資料請(qǐng)私聊。 數(shù)據(jù)集 1、腦電項(xiàng)目探索和實(shí)現(xiàn)(EEG) (上)：研究數(shù)據(jù)集選取和介紹SEED 相關(guān)論文閱讀分析： 1、EEG-SEED數(shù)據(jù)集作者的—基線論文閱讀和分析 2、圖神經(jīng)網(wǎng)絡(luò)EEG論文閱讀和分析：《

  2024年02月07日

  瀏覽(19)
• 

  圖神經(jīng)網(wǎng)絡(luò)EEG論文閱讀和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》

  下面所有博客是個(gè)人對(duì)EEG腦電的探索，項(xiàng)目代碼是早期版本不完整，需要完整項(xiàng)目代碼和資料請(qǐng)私聊。 數(shù)據(jù)集 1、腦電項(xiàng)目探索和實(shí)現(xiàn)(EEG) (上)：研究數(shù)據(jù)集選取和介紹SEED 相關(guān)論文閱讀分析： 1、EEG-SEED數(shù)據(jù)集作者的—基線論文閱讀和分析 2、圖神經(jīng)網(wǎng)絡(luò)EEG論文閱讀和分析：《

  2024年02月09日

  瀏覽(26)
• 

  【論文筆記】KDD2019 | KGAT: Knowledge Graph Attention Network for Recommendation

  為了更好的推薦，不僅要對(duì)user-item交互進(jìn)行建模，還要將關(guān)系信息考慮進(jìn)來 傳統(tǒng)方法因子分解機(jī)將每個(gè)交互都當(dāng)作一個(gè)獨(dú)立的實(shí)例，但是忽略了item之間的關(guān)系（eg：一部電影的導(dǎo)演也是另一部電影的演員） 高階關(guān)系：用一個(gè)/多個(gè)鏈接屬性連接兩個(gè)item KG+user-item graph+high orde

  2024年02月16日

  瀏覽(27)
• 

  【論文閱讀筆記】Attention Is All You Need

  ??這是17年的老論文了，Transformer的出處，剛發(fā)布時(shí)的應(yīng)用場景是文字翻譯。BLUE是機(jī)器翻譯任務(wù)中常用的一個(gè)衡量標(biāo)準(zhǔn)。 ??在此論文之前，序列翻譯的主導(dǎo)模型是RNN或者使用編解碼器結(jié)構(gòu)的CNN。本文提出的Transformer結(jié)構(gòu)不需要使用循環(huán)和卷積結(jié)構(gòu)，是完全基于注意力機(jī)制

  2024年04月13日

  瀏覽(30)
• 

  【論文閱讀筆記】PraNet: Parallel Reverse Attention Network for Polyp Segmentation

  PraNet: Parallel Reverse Attention Network for Polyp Segmentation PraNet：用于息肉分割的并行反向注意力網(wǎng)絡(luò) 2020年發(fā)表在MICCAI Paper Code 結(jié)腸鏡檢查是檢測結(jié)直腸息肉的有效技術(shù)，結(jié)直腸息肉與結(jié)直腸癌高度相關(guān)。在臨床實(shí)踐中，從結(jié)腸鏡圖像中分割息肉是非常重要的，因?yàn)樗鼮樵\斷和手術(shù)

  2024年01月20日

  瀏覽(29)
• 

  【論文導(dǎo)讀】- Variational Graph Recurrent Neural Networks（VGRNN）

  Variational Graph Recurrent Neural Networks（VGRNN） 原文地址：Variational Graph Recurrent Neural Networks（VGRNN）：https://arxiv.org/abs/1908.09710 源碼: https://github.com/VGraphRNN/VGRNN Representation learning over graph structured data has been mostly studied in static graph settings while efforts for modeling dynamic graphs are still scant

  2024年02月08日

  瀏覽(23)
• 

  [論文閱讀筆記23]Adaptive Sparse Convolutional Networks with Global Context Enhancement for ... on drone

  最近正在痛苦改論文中…還沒投出去, 心情糟糕 所以不如再做一點(diǎn)筆記… 論文題目: Adaptive Sparse Convolutional Networks with Global Context Enhancement for Faster Object Detection on Drone Images 論文地址: 論文 代碼地址: 代碼 這是一篇CVPR2023的文章, 是無人機(jī)數(shù)據(jù)集的小目標(biāo)檢測. 文章針對(duì)小尺寸目

  2024年02月04日

  瀏覽(23)
• 

  【論文解讀】2017 STGCN: Spatio-Temporal Graph Convolutional Networks

  使用歷史速度數(shù)據(jù)預(yù)測未來時(shí)間的速度。同時(shí)用于序列學(xué)習(xí)的RNN(GRU、LSTM等)網(wǎng)絡(luò)需要迭代訓(xùn)練，它引入了逐步累積的誤差，并且RNN模型較難訓(xùn)練。為了解決以上問題，我們提出了新穎的深度學(xué)習(xí)框架 STGCN ，用于交通預(yù)測。 符號(hào) 含義 M 歷史時(shí)間序列長度 n 節(jié)點(diǎn)數(shù) C i C_i C i ?

  2024年02月16日

  瀏覽(16)
• 

  論文解讀：SuperGlue: Learning Feature Matching with Graph Neural Networks

  SuperGlue: Learning Feature Matching with Graph Neural Networks 發(fā)表時(shí)間：2020 論文地址：https://arxiv.org/abs/1911.11763 項(xiàng)目地址：http://github.com/magicleap/SuperGluePretrainedNetwork。 本文介紹了一種通過聯(lián)合尋找對(duì)應(yīng)和拒絕非匹配點(diǎn)來匹配兩組局部特征的神經(jīng)網(wǎng)絡(luò)。通過求解一個(gè)可微最優(yōu)傳輸問題來估

  2024年02月08日

  瀏覽(21)