基于流形学习的图卷积网络用于半监督图像分类
计算机视觉与模式识别
2023-04-26 v1 机器学习
摘要
由于许多领域中存在海量信息,对分类方法的需求极为迫切。尽管已有诸多进展,大多数方法仍需大量标注数据,而由于人工标注过程的成本与困难,这类数据往往难以获取。在此情形下,无监督与半监督方法日益受到关注。GCN(图卷积神经网络)代表了一种有前景的解决方案,因其编码邻域信息并在标注数据有限的场景中取得了最先进的结果。然而,由于 GCN 需要图结构数据,其在半监督图像分类中的应用在文献中仍较为稀少。本文提出一种新方法 Manifold-GCN,基于 GCN 用于半监督图像分类。本文的主要假设是,使用流形学习来建模图结构可进一步提升 GCN 分类性能。据我们所知,这是首个允许将 GCN 与不同类型流形学习方法结合用于图像分类的框架。所采用的流形学习算法完全无监督,这对于标注数据可用性成为顾虑的场景尤为有用。我们进行了广泛的实验评估,考虑了 5 种 GCN 模型、3 种流形学习方法、3 个图像数据集和 5 种深度特征。结果表明,我们的方法在训练和测试均非常高效的运行时间下,取得了优于传统及近期最先进方法的准确率。
引用
@article{arxiv.2304.12492,
title = {Graph Convolutional Networks based on Manifold Learning for Semi-Supervised Image Classification},
author = {Lucas Pascotti Valem and Daniel Carlos Guimarães Pedronette and Longin Jan Latecki},
journal= {arXiv preprint arXiv:2304.12492},
year = {2023}
}