大讲堂 | ICCV Oral：探索加深图卷积神经网络的可能性

分享主题

ICCV Oral：探索加深图卷积神经网络的可能性

分享介绍

卷积神经网络（CNN）在解决各种计算机视觉任务（例如对象分类和检测，语义分割，活动理解）取得了非常成功的效果。其中一个关键因素是在ResNet、DenseNet等网络结构的提出后，我们能够轻易地训练非常深的CNN。尽管CNN在许多任务中都取得了巨大的成功，但CNN无法直接应用到非网格、图结构数据上。为此研究人员提出了图卷积网络（GCN），一种可以在图结构数据上有效提取局部特征的方法。目前GCN已经取得了许多令人鼓舞的结果，但大部分GCN仍受限于2-4层的浅层架构。我们将探讨如何将CNN中的残差/稠密连接和膨胀卷积的概念移植GCN，以便成功地训练非常深的GCN。我们通过实验展示了在跨各种数据集和任务训练112层深GCN的可能性，在点云分割以及生物图数据蛋白质-蛋白质相互作用（PPI）的节点分类中取得了较好的性能。

分享嘉宾

李国豪，阿卜杜拉国王科技大学（KAUST）在读计算机科学博士生，投稿论文获 2019 ICCV Oral 

分享提纲

• 图卷积神经网络简介 
• 深度图卷积神经网络的探索
• 总结

分享时间

2019 年 12 月 04 日 （周三）

晚上 20：00 （北京时间）

扫码加入小组，直播回放都不错过，还能向讲师提问，与组员交流。

直播地址

（点击可复制链接）

↘  扫码直达  ↙

/ 更多ICCV论文专题解读系列 /

扫码即可观看回放哦

  点击 阅读原文，直达本期大讲堂