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%。

蔡氏电路matlab仿真代码MMGCN：用于微视频个性化推荐的多模式图卷积网络 这是本文的Pytorch实现： 魏银威，王翔，聂立强，何湘南，洪理昌和蔡达生（2019）。 MMGCN：多模式图卷积网络，用于微视频的个性化推荐。 在法国10月，NICE的ACM MM`19。 2019年21月25日作者：魏因伟博士（hotmail.com上的weiyinwei） 介绍 多模式图卷积网络是一种基于图卷积网络的新颖多模式推荐框架，可对特定于模式的用户偏好进行显式建模，以增强微视频推荐。 我们更新代码，并使用完整的排名策略进行验证和测试。 引文 如果您想在研究中使用我们的代码和数据集，请引用： @inproceedings{MMGCN, title = {MMGCN: Multi-modal graph convolution network for personalized recommendation of micro-video}, author = {Wei, Yinwei and Wang, Xiang and Nie, Liqiang and He, Xiangnan and Hon

VGCN-PyTorch 感谢您的关注。在此仓库中，我们提供了论文。 先决条件 scipy == 1.2.1 opencv_python == 4.1.0.25 numpy == 1.16.4 火炬视觉== 0.3.0 火炬== 1.1.0 枕头== 6.2.0 安装 在先决条件中安装所有依赖项 准备数据 获取 ， 和 下载 FoV选择 matlab fov_selection/demo.m 训练 python main.py --root1 cviqd_local_epoch.pth --root2 cviqd_global_epoch.pth --save test 测验 python main.py --resume cviqd_model.pth --skip_training 引文 您可以在论文中引用它。非常感谢。 @article{xu2020blind, titl

GCN_predict-Pytorch 交通流量预测。 用PyTorch实现图卷积网络（GCN，GAT，Chebnet） 要求： -火炬 -脾气暴躁 -熊猫 -Matplotlib 数据集示例： 数据集由Caltrans绩效评估系统（PEMS-04）收集 数量：307个探测器 日期：2018年1月至2月（2018.1.1——2018.2.28） 特色：流动，占据，速度。 探索数据分析： 1，具有流量，占用和速度三个特点，一是对数据分布进行可视化分析 2.运行代码：python data_view.py 3）每个节点（检测器）都有三个特征，但是两个特征的数据分布基本上是固定的，因此我们只采用一维特征。 读取数据集： 在traffic_dataset.py文件中，get_adjacent_matrix和get_flow_data函数用于读取相邻的矩阵和流数据。 模型训练： 在tra

text_gcn 本文中Text GCN的实现： 梁耀，毛成胜，罗源。 “图卷积网络用于文本分类。” 在第33届AAAI人工智能会议（AAAI-19）中 要求 Python 2.7或3.6 Tensorflow> = 1.4.0 再现结果 运行python remove_words.py 20ng 运行python build_graph.py 20ng 运行python train.py 20ng 在为其他数据集生成结果时，将上述3个命令行中的20ng更改为R8 ， R52 ， ohsumed和mr 。 输入数据示例 /data/20ng.txt表示文档名称，培训/测试组，文档标签。 每行都是一个文档。 /data/corpus/20ng.txt包含每个文档的原始文本，每行对应/data/20ng.txt的相应行 prepare_data.py是准备自己的数据的示例，请注意，文档或句子中的“ \ n”已删除。 归纳版 文本GCN的归纳版本是 ，其中培训过程中未包括测试文档。

MixHop和N-GCN ⠀ PyTorch实现的“ MixHop：通过稀疏邻域混合进行的高阶图卷积体系结构”（ICML 2019）和“一个高阶图卷积层”（NeurIPS 2018）。 抽象 最近的方法通过近似图拉普拉斯算子的本征基，将卷积层从欧几里得域推广到图结构数据。 Kipf＆Welling的计算效率高且使用广泛的Graph ConvNet过度简化了逼近度，有效地将图形卷积呈现为邻域平均算子。 这种简化限制了模型学习三角算子（图拉普拉斯算子的前提）的作用。 在这项工作中，我们提出了一个新的图卷积层，该层混合了邻接矩阵的多种幂，从而使它能够学习增量算子。 我们的层展现出与GCN相同的内

图卷积神经网络及其应用，来自中科院计算所沈华伟博士在ICLR 2019顶会上的演讲稿，欢迎大家下载学习。

基于图卷积神经网络的软件定义电力通信网络路由控制策略.pdf

简单和深图卷积网络 该存储库包含“简单和深度图卷积网络”的PyTorch实现。（ ） 依存关系 CUDA 10.1 python 3.6.9 pytorch 1.3.1 网络x 2.1 scikit学习 数据集 data文件夹包含来自三个基准数据集（Cora，Citeseer，Pubmed），而newdata文件夹包含四个数据集（Chameleon，Cornell，德克萨斯州，威斯康星州）。 我们使用与相同的半监督设置，并使用与Geom-GCN相同的全监督设置。 可以从下载PPI。 结果 测试精度总结如下。 数据集 深度 公制 数据集 深度 公制 科拉 64 85.5 湛 8 62.48 引用 32 73.4 玉米 16 76.49 客栈 16 80.3 德州 32 77.84 科拉（满） 64 88.49 威士 16 81.57 引用（完整

我们提出了一种端到端的深度学习框架，它可以从单一色彩图像生成一个三角形网格的三维模型。大量的实验表明，与现有技术相比，我们的方法不仅可以定性的生成具有更好细节的网格模型，而且可以实现更高的三维形态的估计精度。