【《GNN及池化机制概述》6000字】_第1页
【《GNN及池化机制概述》6000字】_第2页
【《GNN及池化机制概述》6000字】_第3页
【《GNN及池化机制概述》6000字】_第4页
【《GNN及池化机制概述》6000字】_第5页
已阅读5页，还剩9页未读， 继续免费阅读

付费下载

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

GNN及池化机制概述目录TOC\o"1-3"\h\u27222GNN及池化机制概述 )最后将这三个图矩阵进行融合，从而抽象出最终的图矩阵。还有的思想是采用类似ChebNet的图卷积操作，同时自适应的学习邻接矩阵；也有的提出引入attention机制来计算局部的图结构，如何从交通数据中更好的抽象出图结构，仍然是一个可以优化的问题。抽象出图结构之后，便可采用特定的图神经网络模型进行训练，最终实现交通预测。图2-9为经典的GCN模型。图2-9GCN模型1.4.2骨架视频分类人体骨架识别，就是在给定的视频数据中，实时的识别出人体的主要骨架，以及该人所做的主要动作，由于视频中不仅包含了人，还有一些复杂背景、光线的变化等，采用传统的CNN具有一定的局限性。人体骨架的数据格式如图2-10所示，节点对应骨架中的关节点，边对应骨架中的骨骼，显然该数据也是具有时序性的。图2-10人体骨架数据每一段骨架视频可以划定为一个类别，例如喝水，干杯，写作，脱掉夹克等，通过基于图神经网络的学习模型，能够实现对不同动作的分类任务。1.4.3文本分类文本分类是自然语言处理的一项重要任务，其目的是推断出给定文本的标签类别，具体的应用包括新闻的具体分类（政治，娱乐，体育，两性），判定所属邮件是否为垃圾邮件等。文本的数据格式很简单，就是已经收集好的文本，然后对其类别进行均匀的划分。例如20newsgroups数据集，就收集了20000左右的新闻报道，均匀分为20个不同主题的新闻。至于文本数据的建模，可以将每个文本抽象为一个图，文本中的单词则抽象为图的节点，单词之间的关系就可以建模为图的边数据。举一个对文本数据建模的例子。假涉一个数据集内只有两个文本样本，每个样本分别是一句话：第一句是Johnlikestowatchmovies.Marylikestoo.第二句话是Johnalsolikestowatchfootballgames.首先需要找出两篇文章所出现的所有单词，并以字典格式保存,John”:1,’likes’:2,”to”:3,’watch’:4,’movies’:5,’also’:6,’football’:7,’games’:8,’Mary’:9,’too’:10。那么，两篇文档提取出来的BoW向量就是：[1,2,1,1,1,0,0,0,1,1];[1,1,1,1,0,1,1,1,0,0]。将其可视化表示，如下图2-11：图2-11文本分类的

人人文库> 全部分类> 行业资料 > 工业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论