DeepGCNs：让 GCNs 变得像 CNNs 一样深
计算机视觉与模式识别
2021-05-18 v3 机器学习
图像与视频处理
摘要
卷积神经网络（CNNs）在解决各种计算机视觉任务（如对象分类与检测、语义分割、动作理解等）方面非常成功。其优异性能的一个关键促成因素是能够训练非常深的网络。尽管 CNNs 在许多任务中取得了巨大成功，但它们在处理非欧几里得数据时表现不佳，而这类数据在许多现实应用中十分普遍。图卷积网络（GCNs）提供了一种替代方案，允许将非欧几里得数据输入神经网络。虽然 GCNs 已取得令人鼓舞的结果，但目前其架构层数相对较少，主要由于训练过程中的梯度消失。本工作将残差/稠密连接和空洞卷积等概念从 CNNs 迁移到 GCNs，以成功训练非常深的 GCNs。我们通过在不同数据集和任务上的实验展示了使用深度 GCNs（多达 112 层）的优势。具体而言，我们在点云的部分分割和语义分割以及生物蛋白质-蛋白质相互作用（PPI）图上蛋白质功能的节点分类中取得了非常有前景的性能。我们相信本工作中的见解将为未来关于 GCNs 的研究及其在本文未探索的进一步任务上的应用开辟道路。本工作的源代码分别可在 https://github.com/lightaime/deep_gcns_torch 和 https://github.com/lightaime/deep_gcns 获取，对应 PyTorch 和 TensorFlow 实现。
引用
@article{arxiv.1910.06849,
title = {DeepGCNs: Making GCNs Go as Deep as CNNs},
author = {Guohao Li and Matthias Müller and Guocheng Qian and Itzel C. Delgadillo and Abdulellah Abualshour and Ali Thabet and Bernard Ghanem},
journal= {arXiv preprint arXiv:1910.06849},
year = {2021}
}
备注
Accepted at TPAMI. This work is a journal extension of our ICCV'19 paper arXiv:1904.03751. The first three authors contributed equally