DeepGCNs:图卷积网络能否像卷积神经网络一样深?
计算机视觉与模式识别
2019-08-20 v2 机器学习
摘要
卷积神经网络(CNNs)在众多领域中取得了令人印象深刻的性能。当非常深的CNN模型能够被可靠训练时,其成功获得了巨大推动。尽管有诸多优点,CNNs无法妥善处理非欧几里得数据的问题。为克服此挑战,图卷积网络(GCNs)构建图来表示非欧几里得数据,借鉴CNNs的概念并应用于训练。GCNs展现出良好前景,但由于梯度消失问题,通常仅限于非常浅的模型。因此,大多数最先进的GCN模型不超过3或4层。在本工作中,我们提出了成功训练极深GCN的新方法。我们通过借鉴CNNs的概念,特别是残差/稠密连接与空洞卷积,并将其适配于GCN架构来实现。大量实验显示了这些深度GCN框架的积极效果。最后,我们利用这些新概念构建了极深的56层GCN,并展示其在点云语义分割任务中如何显著提振性能(比最先进水平高+3.7% mIoU)。我们相信社区可从此工作中极大受益,因其为推进基于GCN的研究开辟了诸多机会。
引用
@article{arxiv.1904.03751,
title = {DeepGCNs: Can GCNs Go as Deep as CNNs?},
author = {Guohao Li and Matthias Müller and Ali Thabet and Bernard Ghanem},
journal= {arXiv preprint arXiv:1904.03751},
year = {2019}
}
备注
First two authors contributed equally. Accepted to ICCV'19 as oral presentation