面向脑成像的边感知硬聚类图池化
计算机视觉与模式识别
2024-03-01 v7 图形学
摘要
图卷积网络（GCNs）能够捕捉不同脑区间的非欧几里得空间依赖。图池化算子作为 GCNs 的关键要素，增强了表示学习能力并促进了异常脑图获取。然而，多数现有研究仅从节点视角设计图池化算子，而忽略了原始边特征。这限制了图池化的应用场景并削弱了其捕捉关键子结构的能力。本文中，我们提出一种新颖的边感知硬聚类图池（EHCPool），其针对主导边特征定制并重新定义了聚类过程。EHCPool 首次引入“边到节点”评分准则，利用边信息评估节点重要性。随后开发了由边分数引导的创新迭代 n-top 策略，以自适应地学习图的稀疏硬聚类分配。此外，设计了 N-E 聚合策略以在每个独立子图中聚合节点与边特征。在多站点公开数据集上的广泛实验证明了所提模型的优越性与鲁棒性。更值得注意的是，EHCPool 有潜力从数据驱动视角探查不同类型的功能失调脑网络。方法代码：https://github.com/swfen/EHCPool
引用
@article{arxiv.2308.11909,
title = {Edge-aware Hard Clustering Graph Pooling for Brain Imaging},
author = {Cheng Zhu and Jiayi Zhu and Xi Wu and Lijuan Zhang and Shuqi Yang and Ping Liang and Honghan Chen and Ying Tan},
journal= {arXiv preprint arXiv:2308.11909},
year = {2024}
}