cuda+python+pytorch安装说明

STGCN模型文件 图卷积必备模型文件（已更新），结果比原始有优化 包括三种模型文件：st_gcn.kinetics.pt、st_gcn.ntu-xsub.pt、st_gcn.ntu-xview.pt openpose获取姿态文件，可采用新的姿态估计模型，好的姿态数据对动作识别会有提升 双流法对结果也会有优化，但目前结合的不够理想

基于GCN的节点分类实战数据.zip

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

图网络相关论文和代码（gnn gcn graphsage gat gas dgcn sim-gnn）

GCN开山之作精读，主观翻译和详细公式推导，半监督图节点学习问题 最近在阅读GCN网络的文献《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》，有一些收获，想分享给大家，希望对大家有帮助。我会主观翻译前半部分内容，并把我当时陷入思考的句子进行解释，解释部分用中文中括号标注【】，之后我会向大家详细推导一下各个数学公式和理解。本人学术能力不高，如有错误，还望批评指正。建议具备一些图和深度学习理论基础者拜读。在word中编辑的，因此都是图片，见谅。

图卷积网络用于高光谱图像分类 ， ，，，， 该工具箱中的代码实现了 。 更具体地，其详细如下。 引文 如果此代码对您的研究有用且有帮助，请引用论文。 D. Hong，L。Gao，J。Yao，B。Zhang，A。Plaza，J。Chanussot。 用于高光谱图像分类的图卷积网络，IEEE Trans。 Geosci。 遥感，2020，DOI：10.1109 / TGRS.2020.3015157。 @article{hong2020graph, title = {Graph Convolutional Networks for Hyperspectral Image Classification}, author = {D. Hong and L. Gao and J. Yao and B. Zhang and A. Plaza and J. Chanusso

人工智能-图分类-自注意力-使用基于自注意力池化机制结合GCN模型实现图分类 所需环境： 1.torch:1.4.0 2.torch_scatter:2.0.3 3.scipy:1.4.1 数据集 1.DD:https://ls11-www.cs.tu-dortmund.de/people/morris/graphkerneldatasets/DD.zip 2.COX2:https://ls11-www.cs.tu-dortmund.de/people/morris/graphkerneldatasets/COX2.zip 3.BZR:https://ls11-www.cs.tu-dortmund.de/people/morris/graphkerneldatasets/BZR.zip 运行方式

资源自带数据、模型，运行main.py可以直接跑出结果。 内容概要：资源里有详细介绍原理。 适合人群：具备一定python编程基础人员 能学到WHVG和GCN_GIN+的滚动轴承故障诊断流程 阅读建议：过查看注释，修改源码，添加断点，编译等，帮助自己充分理解源码。

GCN节点分类Cora数据集