ViG：图像分类领域前沿

最新推荐文章于 2025-04-02 10:40:34 发布
原创 最新推荐文章于 2025-04-02 10:40:34 发布 · 1.4k 阅读 · 29 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #人工智能


✨✨ 欢迎大家来访Srlua的博文（づ￣3￣）づ╭❤～✨✨

🌟🌟 欢迎各位亲爱的读者，感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢，在这里我会分享我的知识和经验。🎥

希望在这里，我们能一起探索IT世界的奥妙，提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏：传知代码论文复现

欢迎访问我的主页：Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

​​

目录

图片分类任务方法概述

卷积神经网络（CNN）

视觉Transformer（ViT）

视觉图神经网络（ViG）

ViG模型

图片切成patch

模型架构

图像输入

图结构生成

网络模块

图处理

特征变换

多尺度处理

输出头

ViG代码

PatchEmbedding

模型主体架构设计

核心代码

演示效果

附件使用

安装相应依赖包

获取cifa10数据集

运行代码

   本文所有资源均可在该地址处获取。

图片分类任务方法概述

卷积神经网络（CNN）

发展背景： CNN的出现标志着深度学习在图像识别领域的重大突破。最早的CNN模型可以追溯到1998年的LeNet，而2012年的AlexNet模型在ImageNet竞赛中取得优异成绩，使得CNN成为图像分类任务的主流方法。

分类方法优点：

局部感知野： 通过卷积操作，CNN能够捕捉图像的局部特征，减少参数数量。
参数共享： 卷积核在整张图像上共享，提高了模型的泛化能力。
平移不变性： CNN具有平移不变性，能够识别图像中的物体，即使它们的位置发生变化。

视觉Transformer（ViT）

发展背景： ViT于2020年被提出，借鉴了自然语言处理领域的Transformer架构，将自注意力机制应用于图像分类任务。

分类方法优点：

自注意力机制： 能够捕捉图像中的长距离依赖关系，提高分类准确性。
可扩展性： Transformer结构易于扩展，适用于大规模数据集。
并行计算： 自注意力机制使得ViT能够更好地利用并行计算资源。

视觉图神经网络（ViG）

发展背景： ViG的提出是为了解决CNN和ViT在处理不规则和复杂目标时的局限性。ViG将图像视为图结构，通过图卷积操作进行特征提取和分类。

分类方法优点：

灵活的图结构： ViG采用图结构表示图像，能够更好地处理不规则形状的物体，提高对复杂场景的识别能力。
图卷积操作： 通过图卷积，ViG能够有效地聚合和更新节点信息，捕捉局部和全局特征。
节点特征变换： FFN模块（多层感知器）用于节点特征变换，增强了模型的表达能力

最低0.47元/天 解锁文章
AI人工智能目标检测的基于图神经网络的目标检测
大模型应用工坊
06-07 1162
本文旨在系统性地介绍基于图神经网络的目标检测方法，涵盖从理论基础到实践应用的完整知识体系。图神经网络在目标检测中的独特优势主流GNN目标检测模型的架构设计与传统CNN方法的性能对比实际部署中的挑战和解决方案研究范围限定在静态图像中的目标检测任务，不涉及视频序列或3D场景检测。文章首先介绍背景知识和核心概念，然后深入技术细节，包括算法实现和数学模型。随后提供实际案例和工具资源，最后讨论未来趋势。技术深度从浅入深，满足不同层次读者的需求。目标检测(Object Detection)
音视频技术开发周刊 | 251
LiveVideoStack
06-26 893
每周一期，纵览音视频技术领域的干货。新闻投稿：contribute@livevideostack.com。为什么OpenCV计算的帧率是错误的？我们在对线上的直播流数据进行某些检测时，忽然有一天，我们发现平台开始大面积的超时，让我们来看看这到底是怎么回事？RealNetworks vs. 微软：早期流媒体行业之争2015年是流媒体行业出现的第20年，对于很多不熟悉互联网早...
[图神经网络]视觉图神经网络ViG(Vision GNN)--论文阅读
就随便写写....
04-13 2911
图神经网络作为骨干应用在图像分类上
论文阅读：Vision GNN: An Image is Worth Graph of Nodes
sigmoidAndReLU的博客
07-07 1325
ViG,喜欢图神经网络和卷积神经网络的小伙伴们可以看看。
中科院、华为等提出Vision GNN，只使用图神经网络进行视觉任务
Paper weekly
06-16 1723
©作者 |周春鹏单位 |浙江大学研究方向 |计算机视觉网络结构在基于深度学习的计算机视觉系统中起着至关重要的作用。目前广泛应用的卷积神经网络和卷积神经转换器将图像视为网格或序列结构，难以灵活地捕捉不规则和复杂的目标。本文提出将图像表示为图（Graph）结构，并引入一种新的视觉图卷积（Vision GNN, ViG）体系结构来提取视觉任务的图级（Graph-Leve...
Vision GNN: An Image is Worth Graph of Nodes
zzzyyy8的博客
09-02 1912
网络架构在基于深度学习的计算机视觉系统中起着关键作用。广泛使用的卷积神经网络（CNN）和Transformer将图像视为网格或序列结构，但这在捕捉不规则和复杂对象时并不灵活。为了解决这一问题，本文提出了一种将图像表示为图结构的方法，并引入了一种新的视觉图神经网络（Vision GNN，简称ViG）架构，用于在视觉任务中提取图级特征。
视觉图神经网络ViG杂谈（附带图结点及其近邻可视化）
喜欢企鹅的博客
01-02 2020
视觉图神经网络ViG杂谈，介绍模型的核心模块和实验心得,附带可视化图结点及其近邻结点。
LSTM-Autoencoder深度学习模型在电动机异常检测中的应用
BeeGreen的博客
08-30 3045
长短期记忆算法（LSTM）；深度学习模型；自编码器（AutoEncoder）模型；异常检测；电气设备
VIGC: Visual Instruction Generation and Correction---------VIGC：视觉指令生成和纠正
Mars_prime的博客
12-20 1628
视觉编码器和大语言模型（LLM）的集成推动了多模态大语言模型（MLLM）的最新进展。然而，视觉语言任务的高质量指令调整数据的稀缺仍然是一个挑战。当前领先的范例，例如 LLaVA，依赖于仅语言的 GPT-4 来生成数据，这需要预先注释的图像标题和检测边界框，这在理解图像细节方面遇到了困难。该问题的一个实用解决方案是利用可用的多模态大语言模型（MLLM）来生成视觉语言任务的指令数据。然而，值得注意的是，目前可用的 MLLM 不如相应的 LLM 强大，因为它们往往会产生不充分的响应并生成虚假信息。
Vision GNN: An Image is Worth Graph of Nodes学习笔记
2201_76036122的博客
03-31 1023
ViG作为一种创新的视觉图神经网络架构，通过将图像表示为图结构并结合图卷积和前馈网络模块，有效解决了传统CNN和Transformer在处理不规则对象时的局限性。实验结果表明，ViG在多个视觉任务中均取得了优异的性能，为未来视觉模型的研究提供了新的思路。
Pyramid ViG-Ti复现
nkjbkj的博客
11-05 772
源码有几处需要修改才能跑通。
ViG：线性复杂度视觉序列学习的新突破
gitblog_01086的博客
04-02 1015
ViG：线性复杂度视觉序列学习的新突破 项目介绍 ViG（Visual Sequence Learning with Gated Linear Attention）是一个创新的视觉序列学习模型，旨在通过引入门控线性注意力机制（Gated Linear Attention, GLA），在计算机视觉任务中实现高效的性能表现。该模型由华中科技大学人工智能研究院和电子与信息工程系的学者联合提出，并在Hor...
LLM动手实践(一): 微调google的bert和vit模型完成文本和图片的分类任务
Miracle8070
08-04 2168
最近大模型比较火热，也正好在公司开始接触这块相关的业务，大模型是未来的趋势，对于研发工程师来讲，是powerful的效能工具，所以想沉淀一些大模型实践相关的笔记来记录自己在使用大模型产品，部署开源大模型解决实际问题或需求，以及fine-tune大模型实现某个功能过程中的所思和所想
华为诺亚ViG架构媲美CNN、Transformer，图神经网络也能用作CV骨干模型
whaosoft143ai的博客
06-26 933
论文链接：https://arxiv.org/abs/2206.00272PyTorch 代码：https://github.com/huawei-noah/CV-BackbonesMindSpore 代码：https://gitee.com/mindspore/models/tree/master/research/cv/ViG引言在计算机视觉领域，骨干网络一直是特征提取的重要部件。从 AlexNet 到 ResNet，卷积网络 CNN 在很长一段时间内一直是视觉任务的标配。近年来，基于注意力机制的 Tr
太强啦！华为诺亚ViG架构媲美CNN、Transformer（重磅开源）
深度学习技术前沿
06-29 1781
来源：机器之心华为诺亚实验室的研究员发现图神经网络（GNN）也能做视觉骨干网络。将图像表示为图结构，通过简洁高效的适配，提出一种新型视觉网络架构 ViG，表现优于传统的卷积网络和 Transformer。在 ImageNet 图像识别任务，ViG 在相似计算量情况下 Top-1 正确率达 82.1%，高于 ResNet 和 Swin Transformer。论文链接：ht...
CV的未来是图神经网络？中科院软件所发布全新CV模型ViG，性能超越ViT
迈微AI研习社 · 号主
06-29 587
点击上方“迈微AI研习社”，选择“星标★”公众号重磅干货，第一时间送达转载自：新智元后台回复“加群”进入—>CV微信技术交流群【新智元导读】最近，中科院软件所等四个机构的研究团队将CV与图神经网络结合起来，提出全新模型ViG，在等量参数情况下，性能超越ViT，可解释性也有所提升。计算机视觉的网络结构又要迎来革新了？从卷积神经网络到带注意力机制的视觉Transfo...
#今日论文推荐# 中科院、华为等提出Vision GNN，只使用图神经网络进行视觉任务
w1hsxn的博客
06-17 492
本文基于图像的图表示（graph representation）提出了 vision graph neural network (ViG)。
vig unet
最新发布
06-27
- **ViG 编码器**：ViG 将图像视为图结构，每个图像块作为图中的节点，并利用图卷积操作进行特征提取。这种设计使得模型能够更好地适应不规则和复杂的对象边界[^4]。 - **U-Net 解码器**：采用跳跃连接（skip ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值