利用沃罗诺伊图加速图卷积神经网络的图像分类
计算机视觉与模式识别
2025-08-21 v1 机器学习
摘要
近期，图像分类领域的进展因图卷积网络（GCN）的集成而显著推进，为处理复杂数据结构提供了新范式。本研究提出了一种创新框架，将GCN与沃罗诺伊图结合用于图像分类，利用其建模关系数据的卓越能力。与传统卷积神经网络不同，本方法采用图像的图表示，其中像素或区域被视为图的顶点，然后以相应德劳内三角剖分的形式进行简化。我们的模型在多个基准数据集上显著提升了预处理时间和分类准确率，超越了现有最先进模型，尤其是在涉及复杂场景和细粒度类别的场景中。通过交叉验证的实验结果证实了将GCN与沃罗诺伊图结合在推进图像分类任务中的潜力。本研究通过提出一种新的图像分类方法为该领域做出贡献，同时为在计算机视觉和其他非结构化数据领域开发基于图的学习范式开辟了新途径。特别地，我们在本文中提出了一种GCN的新版本，即归一化沃罗诺伊图卷积网络（NVGCN），其速度比常规GCN更快。
引用
@article{arxiv.2508.14218,
title = {Accelerating Image Classification with Graph Convolutional Neural Networks using Voronoi Diagrams},
author = {Mustafa Mohammadi Gharasuie and Luis Rueda},
journal= {arXiv preprint arXiv:2508.14218},
year = {2025}
}
备注
14 pages, 13 figures