代表性图神经网络
计算机视觉与模式识别
2020-08-13 v1
摘要
非局部操作被广泛探索以建模长程依赖。然而，该操作中的冗余计算导致极高的复杂度。本文提出一种代表性图（RepGraph）层来动态采样少量代表性特征，从而大幅减少冗余。我们的 RepGraph 层不从所有位置传播消息，而仅用少量代表性节点计算一个节点的响应。代表性节点的位置来自一个学习的空间偏移矩阵。RepGraph 层可灵活集成到许多视觉架构中并与其他操作结合。在语义分割应用中，无需任何额外技巧，我们的 RepGraph 网络即可在三个具挑战性的基准 ADE20K、Cityscapes 和 PASCAL-Context 数据集上与最先进方法竞争或表现更优。在目标检测任务中，与非局部操作相比，我们的 RepGraph 层也能提升在 COCO 数据集上的性能。代码见 https://git.io/RepGraph。
引用
@article{arxiv.2008.05202,
title = {Representative Graph Neural Network},
author = {Changqian Yu and Yifan Liu and Changxin Gao and Chunhua Shen and Nong Sang},
journal= {arXiv preprint arXiv:2008.05202},
year = {2020}
}
备注
Accepted to ECCV 2020. Code is available at https://git.io/RepGraph