Repo for "Can GCNs Go as Deep as CNNs?"

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 600+累计阅读 599平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄10年

关注

翻译最新推荐文章于 2026-06-15 08:27:05 发布 599 阅读 AI 写同款· GEO 优化 ›

从DeepGCNs到DeeperGCN，关于深层GCN需要知道的事【系列论文阅读】 DeeperGCN Li G, Muller M, Thabet A, et al. Deepgcns: Can gcns go as deep as cnns?[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 9267-9276. Li G, Xiong C, Thabet A, et al. Deepergcn: All you need to train deeper gcns[ 阅读详情

刚刚浏览了下关于GCNs的Github,链接https://github.com/lightaime/deep_gcns。模糊啊！！！

收录于

当前文章被以下社区和专栏收录：

DeepGCNs- Can GCNs Go as Deep as CNNs? 本篇文章主要阐述了我们怎么去构建一个网络使得GCN能够堆叠更深的层且不会发生梯度消失的问题。讲了3个method：1.Resnet 2.Densenet 3.Dilated convolutions 。该模型的很多技巧以及method对其他的方向感觉有比较大的借鉴意义。 Introduction 在目前我们所用到的GCN中，一般layers都大致在4层左右，并不会堆叠更多，主要是因为随着层数的增... 阅读详情

相关推荐

ICCV-2019《DeepGCNs: Can GCNs Go as Deep as CNNs?》

这篇论文通过将CNN中的残差连接、密集连接和膨胀卷积引入GCN，突破了GCN深度限制，成功训练56层深的GCN，并在点云语义分割任务上显著提升性能。其目标函数基于交叉熵损失，通过Adam优化器和动态图结构端到端优化。主要贡献在于提出通用且高效的深层GCN框架，验证其在点云分割中的优越性，并为GCN在非欧几里得数据处理中的进一步发展奠定了基础。

Christo的博客 1044

DeepGCNs: Can GCNs Go as Deep as CNNs?

这是一篇由KAUST的Guohao Li于2019年发表在ICCV会议上的论文。文章主要在解决传统GCN网络的梯度消失问题，以及训练更深的GCN网络上做出了贡献。

qq_41200212的博客 801

利用PPT做会议报告

业内利用PPT做会议报告的模板，可以参考

DeepGCNs-Can GCNs Go as Deep as CNNs? ICCV 2019

文章目录Abstract1. Introduction2. Related Work3. MethodologyGraph Convolution NetworksDynamic Edges3.1. Residual Learning for GCNs3.2. Dense Connections in GCNs3.3. Dilated Aggregation in GCNs4. Experimen...

知行合一，止于至善 8634

_DeepGCNs Can GCNs Go as Deep as CNNs.pdf

Convolutional Neural Networks (CNNs) achieve impressive performance in a wide variety of fields. Their success benefited from a massive boost when very deep CNN models were able to be reliably trained. Despite their merits, CNNs fail to properly address problems with non-Euclidean data. To overcome this challenge, Graph Convolutional Networks (GCNs) build graphs to represent non-Euclidean data, borrow concepts from CNNs, and apply them in training. GCNs show promising results, but they are usually limited to very shallow models due to the vanishing gradient problem

Android13配置selinux让system应用可读sys,proc,SN号

Android13预置的system应用，需要读/sys, /proc目录，读(SN)serial number号, 需要修改selinux配置，否则会报avc错．其修改方法会比Android11复杂一些．。

zmlovelx(帅得不敢出门程序员群31843264) 2654

论文笔记：DeepGCNs: Can GCNs Go as Deep as CNNs?

前言 GCN与CNN有很多相似之处。GCN的卷积思想也是基于CNN卷积的优秀表现所提出的，。GCN由于其表达形式和卷积方法特殊性，在节点分类任务(引文网络)中，只有简单的3-4层可以把任务完成的很好。但是对于一些其他的的任务，可能浅层的网络模型没有办法很好的处理数据。但是当把GCN的层数增多之后，会出现梯度消失和over-smoothing的问题，与当时CNN的层数加深出现的问题相似，因此自然想到...

qq_44015059的博客 1573

Labview实现服务器（server）与多客户端（clients）通信

服务器可以接收多个客户端发送的消息，并显示消息来源。服务器可以发送消息到指定客户端客户端可以自动连接服务器，断连后重连客户端可以发送消息到服务器，可接收服务器消息类似框架可以用做中央服务器及客户端项目

u013809089的博客 7974

论文阅读 DeepGCNs: Can GCNs Go as Deep as CNNs?

在过去的几年里，GCNs获得了很大的发展势头。这种兴趣的增加主要归因于两个因素：现实世界应用中的非欧几里得数据越来越多，以及CNN在处理这些数据时性能有限。GCNs直接在非欧几里得数据上操作，对于依赖这种信息模式的应用是非常有前途的。目前，GCNs被用来预测社交网络中的个体关系，为药物发现建立蛋白质模型，加强推荐引擎的预测，有效分割大型点云，以及其他领域。CNN成功背后的一个关键原因是能够设计并可靠地训练非常深的CNN模型。

赫凯的博客 685

【Qt实战项目】记事本完整项目

效果图如下所示：全部代码如下： #include “notepad.h” #include int main(int argc, char *argv[]) { QApplication a(argc, argv); MainWindow w; w.showMaximized(); return a.exec(); }

YIZHILIUSHA2020的博客 575

从零到一：银河麒麟OS下C#跨平台开发的避坑指南

本文详细介绍了在银河麒麟OS下进行C#跨平台开发的完整流程，从开发环境搭建到避坑指南。针对国产操作系统特性，提供了.NET Core安装、开发工具链配置、桌面应用开发及部署优化的实战经验，特别关注ARM架构适配和性能调优，帮助开发者高效应对国产化开发挑战。

weixin_29221753的博客 863

DeepGCNs: Can GCNs Go as Deep as CNNs ICCV2019

贡献 CNN 的成功来源于可以训练深度模型，从而能够大量提升。但是CNN不能处理非欧数据。 GCN可以处理非欧数据，借鉴了CNN的概念来训练模型。但是由于梯度消失(图1)因此局限于非常浅(3-4层)的模型. 本文展示了新的训练深度GCN的方式。借鉴CNN的 residual / dense connections 和 dilated conv 改进到 GCN 1. GCN网络结构 ...

weixin_38313113的博客 471

jlink驱动安装

jlink驱动下载安装及keil识别

qq_43868701的博客 3万+

[GNN论文阅读]DeepGCNs: Can GCNs Go as Deep as CNNs?

一、主要工作基本思路和解决的任务： CNN可以深卷而获得较好的性能，然不能表示非欧氏空间的数据。 GCN可以表非欧氏空间的图，然因梯度消失（过平滑，节点特征趋于一致）不能深卷（彼时<=4）。此文提出一种多达56层的深卷GCN。利用残差网络ResNet、密集连接DenseNet、空洞卷积 We adapt concepts that were successful in training deep CNNs, mainly residual connections, dense connectio

qq_39656041的博客 581

别再花钱买商业软件了！这4款免费DIC工具，从散斑生成到应变分析全搞定

本文介绍了4款免费开源的DIC（数字图像相关技术）工具，涵盖从散斑生成到应变分析的全流程，帮助用户零成本构建专业级DIC工作流。这些工具在精度、算法透明度和生态整合方面具有优势，适用于材料力学和实验力学研究，可替代昂贵的商业软件。

weixin_42525369的博客 167

opencv-meshgrid

使用opencv::repeat函数和std::iota函数完成meshgrid功能。 X Y Z 通俗的说就是根据Z的大小生成X矩阵,Y矩阵

yuegooxi的博客 1607

【论文阅读】DeepGCNs: Can GCNs Go as Deep as CNNs?

【论文阅读】DeepGCNs: Can GCNs Go as Deep as CNNs?1. Introduction2. Methodology2.1 图上的表征学习图卷积神经网络（Graph Convolutional Neural networks, GCNs）用于表征非欧几里得空间（non-Euclidean）的数据。但由于梯度消失问题，GCNs的层数通常不深，感知域范围有限，本文提出了一种训练更深GCNs的方法。 1. Introduction GCN现阶段被广泛应用于social networ

heiha1232的博客 792

传感器应用案例：压力传感器在工业自动化中的应用_（13）.压力传感器的数据采集与处理

数据采集系统（Data Acquisition System, DAS）是连接传感器和控制系统的重要桥梁。它包括硬件（如数据采集卡、信号调理器）和软件（如数据采集软件、数据处理算法）两部分。信号调理：将传感器输出的模拟信号转换为适合AD转换的信号。AD转换：将模拟信号转换为数字信号。数据传输：将数字信号传输到控制系统或上位机。存储：将采集的数据存储在本地或远程数据库中。实时性：保证数据的实时性和准确性。压力传感器的数据采集与处理是工业自动化中不可或缺的一部分。

2401_87715305的博客 1620

深度图卷积网络（DeepGCNs）：让GCNs深度比肩CNNs的终极指南

深度图卷积网络（DeepGCNs）是一个突破性的图神经网络框架，它成功地将CNN中的深度网络训练技术引入到图卷积网络中。这个项目解决了传统GCNs难以训练深层网络的痛点，让图神经网络也能像CNN一样达到上百层的深度！🎯 ## 为什么需要深度图卷积网络？传统图卷积网络（GCNs）在层数增加时面临严重的性能退化问题。通过项目中的对比实验图片可以看到： [![残差连接对深度GCN的影响](ht

gitblog_00796的博客 408

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

论文阅读: DeepGCNs: Can GCNs Go as Deep as CNNs?

论文名称：图卷积神经网络可以走向更深吗？（究极缝合怪）出自：ICCV 2019 Oral 作者单位：阿卜杜拉国王科技大学引言：卷积神经网络很好，因为它很深，并且由残差连接保证性能的提高。在现有的GCN只有三到四层，而本文提出的缝合怪有56层。 ...

sigmoidAndReLU的博客 2137

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

pyecharts版本迁移终极指南：从0.5.x到V1/V2的平滑升级策略

pyecharts是一款强大的Python Echarts可视化库，本指南将帮助开发者从0.5.x版本顺利迁移至V1/V2版本，掌握核心升级策略与最佳实践，轻松应对版本变化带来的挑战。 ## 为什么需要升级pyecharts？随着pyecharts的不断发展，V1/V2版本带来了多项重大改进：全新的API设计、更丰富的图表类型、更强的扩展性以及更好的性能优化。升级不仅能体验最新功能，还能获得

gitblog_00065的博客 492

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

华硕笔记本轻量控制工具GHelper：高效替代Armoury Crate的完整方案

GHelper是一款专为华硕笔记本和ROG Ally设计的轻量级开源控制工具，提供近乎Armoury Crate的全部功能，但仅需不到10MB的体积。无论你是Zephyrus、Flow、TUF、Strix还是Scar系列用户，这款工具都能让你告别臃肿的系统软件，获得更流畅的设备控制体验。 ## 场景应用：解决华硕笔记本性能管理的三大痛点 ### 如何解决Armoury Crate资源占用过高的

gitblog_00703的博客 462

DeepGCNs:Can GCNs Go as Deep as CNNs? 论文学习笔记

DeepGCNs:Can GCNs Go as Deep as CNNs? 论文学习笔记一个好笔记的意义就在于：可以不用看原文 -------鲁树人(滑稽) Abstract 目前GCN由于受限于梯度消逝的问题，都比较浅层（一般小于4）本文将几个在深度CNN中使用的技巧：residual connections，dense connection...

weixin_43279911的博客 1323

RSS Box缓存机制：如何通过Redis提升API调用效率

RSS Box是一款强大的开源工具，帮助用户通过RSS订阅方式高效获取各类网络内容。在处理频繁的API调用时，缓存机制扮演着至关重要的角色。本文将深入解析RSS Box如何利用Redis实现高效缓存，提升API调用效率，为用户带来更流畅的内容订阅体验。 ## 缓存机制的核心价值缓存是提升应用性能的关键技术之一，尤其对于RSS Box这类需要频繁调用第三方API的应用。通过合理的缓存策略，可以

gitblog_00100的博客 491

图机器学习基础知识——GAT、GaAN、JKN、DeepGCN

WindGrin_的博客 1613

上一篇：在线matlab网站

下一篇： Coursera视频无法观看