更新：签出库 ，它在一个漂亮干净的Python包中重新实现了学习分支所需的一切（位于）。 图卷积神经网络的精确组合优化 Maxime Gasse，DidierChételat，Nicola Ferroni，Laurent Charlin，Andrea Lodi 这是我们NeurIPS 2019的正式实施。 安装 请参阅安装说明。 运行实验 设置覆盖 # Generate MILP instances python 01_generate_instances.py setcover # Generate supervised learning datasets python 02_generate_samples.py setcover -j 4 # number of available CPUs # Training for i in {0..4} do python 03_

用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集） 用于交通流预测的联合时空图卷积网络JSTGCN(python代码)（不带数据集）

专利

下采样matlab代码快速人类动作识别 介绍 该存储库保存了该项目的代码库和数据集： 识别人类快速动作的时空图卷积网络 先决条件 Python3（> 3.5） 资料准备 我们对NTU-RGB + D的3D骨骼数据进行了实验。 预处理的数据可以从下载。 下载数据后，将“ NTU-RGB-D”文件夹解压缩到路径中。 下采样 为了创建快速动作的数据集，我们对NTU-RGB + D数据集进行下采样。 下采样是通过拍摄一帧然后保留另一帧，将帧数减半来完成的。 运行“ downsample.py”以对所需数据进行下采样。 数据缩减（可选） 我们提供“ create_small_data.py”，通过从所有60个动作中选择多个动作来从原始数据中创建较小的数据。 可以根据代码上的标签在代码中选择所需的操作。 可视化 我们在MATLAB上提供NTU-RGB + D的3D骨骼数据的可视化。 可以在“可视化”文件夹中找到更多详细信息。 训练 可以通过运行“ main.py”来训练模型。 结果将显示在“结果”文件夹中。 如果使用较小的数据，则需要对代码进行一些修改，这些修改在代码中有详细说明。 结果 此处显示

Three-Dimensionally Embedded Graph Convolutional Network (3DGCN) for Molecule Interpretation

针对PointNet模型只针对孤立点提取特征信息,而对邻域结构的信息提取能力不足的问题,提出基于图卷积网络的三维点云分类分割模型GraphPNet。首先将三维点云转换成无向图结构,利用该图结构得到点云的邻域信息,通过将邻域信息与单个点信息融合的方式提高分类与分割的准确率。在分类实验中,本文在ModelNet40数据集上进行训练与测试,并且与3D ShapeNets、VoxNet、PointNet模型的分类精度进行比较,其分类精度优于这些模型。在分割实验中,使用ShapeNet数据集进行训练与测试,并且与PointNet模型等分割模型得到的平均交并比(mIoU)值进行比较,验证了GraphPNet在分割实验中的有效性。

在过去的十年中，神经网络取得了巨大的成功。但是，只能使用常规或欧几里得数据来实现神经网络的早期变体，而现实世界中的许多数据都具有非欧几里得的底层图形结构。数据结构的不规则性导致了图神经网络的最新发展。在过去的几年中，正在开发图神经网络的各种变体，其中之一就是图卷积网络（GCN）。GCN也被视为基本的图神经网络变体之一。 在本文中，我们将更深入地研究由Thomas Kipf和Max Welling开发的图卷积网络。我还将在使用NetworkX构建第一个图形时给出一些非常基本的示例。到本文结尾，我希望我们对图卷积网络内部的机制有更深入的了解。

行人重识别课程主要包括三大核心模块：1.2020经典算法(论文)详细解读；2.项目源码分析；3.实战应用；通俗讲解CVPR等会议最新行人重识别方向算法及其实现，基于PyTorch框架展开实战，逐行讲解全部项目源码及其应用实例。整体风格通俗易懂，用最接地气的方式带领同学们掌握最新行人重识别算法并进行项目实战。

说明： 使用三种图卷积做一个简单的交通流量预测模型。 我所用的环境： PyTorch=1.4.0 torchvision=0.5.0 cudatoolkit=10.1 cudnn=7.6.3 若哪里不足请指出来，共同学习。

PointNet是三维点云分类中具有代表性的研究成果,该模型开创性地利用深度学习模型对点云进行分类,取得了较好的效果。但是PointNet模型只考虑点云的全局特征而忽略每个点的局部信息,为弥补这个缺陷,提出基于图卷积网络的点云分类模型。在PointNet模型中插入一个kNN graph层,通过在点云空间构造k近邻图,利用图结构有效地获取点云的局部信息,从而提高整体点云分类准确率。分类实验在ModelNet40数据集上进行,对比不同近邻值k对输出精度的影响,结果表明在k取20时,分类准确率最高,达到了93.2%,比PointNet高4.0%。