为图神经网络推断图像的图结构
图像与视频处理
2025-09-08 v1 计算机视觉与模式识别
机器学习
信号处理
摘要
诸如 MNIST 之类的图像数据集是测试图神经网络（GNN）架构的关键基准。传统上，图像被表示为网格图，每个节点代表一个像素，边连接相邻像素（垂直和水平方向）。图信号为图像中每个像素的值（强度）。这些图通常作为图神经网络（例如图卷积神经网络 [1, 2]、图注意力网络（GAT）[3]、GatedGCN [4]）的输入，用于对图像进行分类。在本研究中，我们遵循 [5, 6] 中的方法，通过寻找替代网格图和超像素方法的新图来表示数据集图像，从而提高下游图神经网络任务的准确性。我们在 [5, 6] 方法的基础上，利用像素值之间的相关性，为 MNIST 和 Fashion-MNIST 中的每张图像找到了行相关图、列相关图和乘积图。实验表明，将这些不同的图表示和特征作为下游 GNN 模型的输入，相比文献中使用传统的网格图和超像素方法，提高了准确性。
引用
@article{arxiv.2509.04677,
title = {Inferring the Graph Structure of Images for Graph Neural Networks},
author = {Mayur S Gowda and John Shi and Augusto Santos and José M. F. Moura},
journal= {arXiv preprint arXiv:2509.04677},
year = {2025}
}