张量图卷积神经网络
计算机视觉与模式识别
2018-03-28 v1
摘要
在本文中，我们提出了一种新颖的张量图卷积神经网络（TGCNN），以在可分解图上进行卷积，这里重点关注两类问题：一类是序列动态图，另一类是跨属性图。特别地，我们提出了一个图保留层来记忆那些分解子图的显著节点，即跨图卷积和图池化。对于跨图卷积，提出了一种参数化的 Kronecker 求和操作，以生成一个联合邻接矩阵，表征两个子图中每对节点之间的关系。通过这一操作，随后可以通过小矩阵的复合来高效执行通用图卷积，从而降低了高内存和计算负担。将序列图封装进递归学习中，可以高效地编码图的动态以及图的空间布局。为了验证所提出的 TGCNN，在骨架动作数据集以及矩阵补全数据集上进行了实验。实验结果表明，我们的方法能够取得比 SOTA 方法更具竞争力的性能。
引用
@article{arxiv.1803.10071,
title = {Tensor graph convolutional neural network},
author = {Tong Zhang and Wenming Zheng and Zhen Cui and Yang Li},
journal= {arXiv preprint arXiv:1803.10071},
year = {2018}
}