牛逼哄哄的图卷积神经网络将带来哪些机遇？

2012年至今，随着深度神经网络理论与计算设备的发展，卷积神经网络（CNN）得到了快速发展，并被大量应用于计算机视觉、自然语言处理等领域。尤其是在图像分类、目标检测等主要的计算机视觉任务中，CNN一直都是最主流的方法。

卷积神经网络，虽然取得了巨大成功，但也面临较大局限，即局限于处理欧氏空间的数据（或者有规则的空间数据）,图像、语音。

图1：图像、语音的空间数据，节点的连接是规则的，能够用一维、二维的矩阵表示，卷积神经网络处理起来很高效

面对无规则的空间数据，如交通流数据、社交多媒体网络数据、化学成分结构数据、生物基因蛋白数据以及知识图谱数据，传统卷积神经网络发挥不了作用。

图2：社交网络的图数据结构，每个节点连接都不尽相同，有的节点有2个连接，有的节点1个连接

规则与无规则的空间数据，本质上说，都可以表示成图结构的形式。那么，有没有一种卷积神经网络既适用于规则的图结构数据，又适用于不规则的数据呢？

近年来，图卷积神经网络（GCN）将深度神经网络应用于图结构数据上，取得了可喜的成果，已成为当下火热的研究方向。GCN在图像分类、目标检测、语义分割、视觉问答等领域的应用，已被陆续发表在CVPR、ICCV、ECCV、NeurIPS等计算机视觉与神经网络的顶级会议中。

但图卷积神经网络（GCN）的系统化资料或者教程，少之又少。因此，深蓝学院联合中科院自动化所老师共同推出『卷积神经网络：从欧氏空间到非欧空间』在线直播课程，主要讲述常见的卷积神经网络模型、卷积的扩展、图卷积神经网络3大部分。

讲师介绍

建龙，中科院自动化所模式识别国家重点实验室博士。

主要研究方向为深度图网络、深度无监督学习和多智能体强化学习，目前以第一作者在PAMI，NIPS，ICCV (Oral) 等顶级期刊会议发表学术论文多篇。

宫博，算法工程师，中科院自动化所博士。

在计算机视觉与人工智能领域具有六年的研究经历，攻读博士期间，主要研究方向是模式识别与图像处理，曾在模式识别领域内国际主流期刊发表论文。

课程大纲

课程服务

1. 直播授课，与讲师在线互动；

2. 微信答疑群，课后随时与讲师交流答疑；

3. 作业批改及时，提交后1周内批改反馈。

报名方式

课程限报200人， 添加工作人员（微信：shenlan-xinran），咨询详情。

点击 “阅读原文” 了解更多详情