统一图卷积网络：连接 GCN 与 CNN 的探索
计算机视觉与模式识别
2022-04-27 v1
摘要
图卷积网络（GCNs）已在图数据表示与学习中广泛展现出强大能力。现有图卷积层主要基于图信号处理与变换方面设计，通常存在一些局限，如过平滑、过压缩和不鲁棒等。众所周知，卷积神经网络（CNNs）已在许多计算机视觉与机器学习任务中取得巨大成功。一个主要方面是 CNN 利用许多可学习的卷积滤波器（核）来获取丰富的特征描述子，从而具有高容量以编码视觉数据分析中的复杂模式。此外，CNN 在网路架构设计上灵活，如 MobileNet、ResNet、Xception 等。因此，自然产生一个问题：我们能否像 CNN 中那样灵活地设计图卷积层？本文创新性地从深度可分离卷积操作的一般视角，考虑深度连接 GCN 与 CNN。具体而言，我们表明 GCN 与 GAT 确实执行某些特定的深度可分离卷积操作。这一新颖解释为更好地理解 GCNs（GCN、GAT）与 CNNs 之间的联系提供了途径，并进一步启发我们设计更多统一图卷积网络（UGCNs）。作为两个示例，我们实现了两个 UGCN，即可分离 UGCN（S-UGCN）与通用 UGCN（G-UGCN）用于图数据表示与学习。在多个图表示基准上的可观实验证明了所提 UGCN 的有效性与优势。
引用
@article{arxiv.2204.12300,
title = {Unified GCNs: Towards Connecting GCNs with CNNs},
author = {Ziyan Zhang and Bo Jiang and Bin Luo},
journal= {arXiv preprint arXiv:2204.12300},
year = {2022}
}