【论文笔记】InceptionGCN:Receptive Field Aware Graph Convolutional Network for Disease Prediction

最新推荐文章于 2024-11-21 13:14:22 发布
最新推荐文章于 2024-11-21 13:14:22 发布
阅读量833 收藏 1
点赞数 2
分类专栏： # GNN # 深度学习 机器学习 文章标签： 节点分类 图分类 图神经网络
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。
本文链接：https://blog.youkuaiyun.com/The_best_man/article/details/112795190
版权
本文介绍了InceptionGCN方法，重点在于如何通过构造Affinity Graph来精准地建模病人间的交互作用。该方法利用非成像数据和相关距离来定义病患节点之间的边，并通过计算权重矩阵和二值化邻接矩阵来形成最终的Affinity矩阵。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

InceptionGCN

Methodology

Affinity graph construction

构造Affinity Graph的关键是能够精准的建模病人之间的交互作用，Affinity Graph是将所有样本（训练集+测试集），下图为文中所涉及到的符号。

符号 含义 符号 含义
G ( V , E , W ) G(V,E,W) G(V,E,W) 图 n i n_i ni​ 图中的节点
V=|N| 节点 η \eta η 患者之间非成像数据
E E E 边 x i ∈ R N x_i\in\mathbb{R}^N xi​∈RN 节点 n
最低0.47元/天 解锁文章
计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8652
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
PSC-Net: Learning Part Spatial Co-occurrence for Occluded Pedestrian Detection 用于遮挡行人检测的部分空间共现网络 翻译
小呆苗的博客
08-04 826
PSC-Net: Learning Part Spatial Co-occurrence for Occluded Pedestrian Detection 详解 PSC-Net ：用于遮挡行人检测的空间共现网络 原文链接：https://xueshu.baidu.com/usercenter/paper/show?paperid=1h0v0aa0nx6p04x0gv3m0a40tg083148&site=xueshu_se Abstract:Detecting pedestrians,
数据结构分析_Inception_GNN_GCN
qq_37534947的博客
11-24 2879
文章目录1.数据结构分析（欧几里德和非欧几里德数据）2.inception V1 V2 V3 V4inception V1Inception V2BN 理解Inception V3Inception V43.GNN简单理解4.GCN简单理解 1.数据结构分析（欧几里德和非欧几里德数据） 欧几里德数据 如上图所示，每个节点之间都是排列整齐的，所以很容易的可以定义出距离来，如下图所示： 非欧几里德数据 排列不整齐，比较的随意。具体体现在：对于数据中的某个点，难以定义出其邻居节点出来，或者是不同节点的
感受野：The receptive field
Fan_shui的博客
10-16 588
The receptive field is defind as the region in the input space that a particular CNN’s feature is looking at. 参考文章： https://zhuanlan.zhihu.com/p/26663577 https://www.jianshu.com/p/2b968e7a1715 读了上面两篇文...
【GCN】论文笔记：GeniePath: Graph Neural Networks with Adaptive Receptive Paths
m0_50611867的博客
01-12 794
一种自适应感知路径的GNN：GeniePath前言一、需要提前知道一些1.感受野（receptive field）2.排列不变性(permutation invariant)3.自适应路径层二、为什么要感知路径三、GeniePath1.GeniePath算法核心2.自适应路径层3. 变体：GeniePath-Lazy总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本
kmeans聚类算法_常用聚类算法综述
weixin_39739661的博客
11-18 2781
这篇文章会拿一些日常工作中最常用的聚类算法做介绍，然后会对最近的一些聚类算法成果中挑几篇有意思的说一说，全文较长聚类的概念对于有标签的数据，我们进行有监督学习，常见的分类任务就是监督学习；而对于无标签的数据，我们希望发现无标签的数据中的潜在信息，这就是无监督学习。聚类，就是无监督学习的一种，它的概念是：将相似的对象归到同一个簇中，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对...
从特征融合的视角设计图神经网络的拓扑结构
Paper weekly
05-06 2819
©作者 | 卫岚宁，赵欢，贺志强论文标题：Designing the Topology of Graph Neural Networks: A Novel Feature Fusion Perspective论文链接：https://arxiv.org/pdf/2112.14531.pdf代码链接：https://github.com/AutoML-Research/F2...
MESNet:A Convolutional Neural Network forSpotting Multi-Scale Micro-ExpressionIntervals 阅读笔记
pzb19841116的专栏
03-02 1134
通过多尺度分析，如不同长度的归一化或多尺度视频采样，基于间隔的定位方法可以适应和检测不同长度的ME片段，并更好地区分ME和其他类型的面部运动。每个子网络相当于在视频上滑动的固定长度窗口，其输出是一组概率，表示与滑动窗口对应的视频片段属于ME的可能性。目前的研究仍然面临一个挑战，即如何从有限的数据中有效地提取或学习最具代表性的时空特征，从而准确地定位长视频中的ME时间位置。微表情研究初期，仅考虑在收集微表情样本时仅记录发生微表情时的视频片段，即所谓的短视频，包括微表情发生前几帧和发生后几帧。
【GNN4Medical】GNN在医疗领域发展和应用
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
11-21 1368
医疗AI在肿瘤方面应用综述 - 知乎。
Affinity Derivation and Graph Merge for Instance Segmentation阅读笔记
FLY的博客
01-25 1393
Affinity Derivation and Graph Merge for Instance Segmentation用于实例分割的亲和派生和图合并方法一、简介二、相关工作2.1语义分割2.2实例分割功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如...
Dense_Neighborhoods_on_Affinity_Graph.pdf
05-31
In this paper, we study the problem of how to reliably compute neighborhoods on affinity graphs. The k- nearest neighbors (kNN) is one of the most fundamental and simple methods widely used in many tasks, such as classi- fication and graph construction.
快速了解GCN（图卷积神经网络）
u011537121的博客
08-09 4万+
如何理解 Graph Convolutional Network（GCN）？ https://www.zhihu.com/question/54504471 推荐初学者可以先从知乎的这个问题出发，点赞最多的《从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi）》 该篇文章非常详细且能够帮助初学者理解的讲述了GCN的大部分理论过程。再补充以后面几人回答的知识，便可以说对GCN有...
从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi）
热门推荐
weixin_40013463的博客
07-17 9万+
博客刷不出来图的，去知乎地址吧，没图不好懂的。https://www.zhihu.com/question/54504471/answer/332657604 1 什么是离散卷积？CNN中卷积发挥什么作用？ 了解GCN之前必须对离散卷积（或者说CNN中的卷积）有一个明确的认识： 如何通俗易懂地解释卷积？这个链接的内容已经讲得很清楚了，离散卷积本质就是一种加权求和。 如图1所示，CNN中的卷...
Intelligent fault diagnosis | 智能故障诊断 最新方向及成果追踪
modaoztc的博客
04-21 3477
时间排序 IEEE Xplore,P11, A Fault Diagnosis Method of Rolling Bearing Based on MEEMD and QPSO-LSSVM ScienceDirect, Review&research articles,P10, NI-MWMOTE: An improving noise-immunity majority weighted minority oversampling tec
2021CVPR Learning a Proposal Classifier for Multiple Object Tracking
DFS的博客
10-15 1190
Learning a Proposal Classifier for Multiple Object Tracking(学习用于多目标跟踪的建议分类器) 项目开源地址:LPC_MOT 多目标跟踪(MOT)的最新趋势是利用深度学习来提高跟踪性能。然而，以端到端方式解决数据关联问题并非易事。在本文中，我们提出了一种新的基于提议的可学习框架，将MOT建模为提议生成、提议评分和亲和图上的轨迹推理范式。该框架类似于两阶段目标检测器Faster RCNN，可以以数据驱动的方式解决MOT问题。对于建议生成，我们提出了一
Domain adversarial graph convolutional network for fault diagnosis 论文阅读笔记
weixin_45868623的博客
11-07 979
然而，现有的基于UDA的方法大多只使用前两种信息，而忽略了数据结构的建模，使得深层网络提取的特征中包含的信息不完整。然后，将得到的图输入到GCN中，将数据结构信息嵌入到节点特征中。为了获得节点特征矩阵X，首先利用CNN（例如LeNet）从输入数据中捕获特征，并且提取的特征映射可以表示为X=CNN(Xmput)，其中Ximpur是一个小批量输入矩阵。通过最小化定义的总体目标函数和优化DAGCN的参数，可以获得域不变和区分性特征，从而使用标记源域数据训练的分类器能够正确地对未标记目标域的数据进行分类。
Github上的图神经网络必读论文和最新进展列表（附链接）
THU数据派
05-29 6882
来源：专知本文共2517字，建议阅读7分钟。本文为你分享图神经网络的必读论文和最新进展列表。[ 导读 ]近两年来，图神经网络的飞速发展，在自然语言处理、计算机视觉、推荐系...
文献阅读记录：Graph Convolutional Networks for Hyperspectral Image Classification
路边的石头
01-28 1370
CNN和GCN的对比 GCN的相关paper Shahraki and Prasad [33] proposed to cascade 1-D CNNs and GCNs for HS image classification. CNN和GCN级联 Qin et al. [34] extended the original GCNs to a second-order version by simultaneouslyconsidering spatial and spectral neighborhoo
深度学习在graph上的应用
ikerpeng
06-02 3585
转载请标明出处： 本文要介绍的这一篇paper是ICML2016上一篇关于 CNN 在图（graph）上的应用。ICML 是机器学习方面的顶级会议，这篇文章-->--所研究的内容也具有非常好的理论和实用的价值。如果您对于图的数据结构并不是很熟悉建议您先参考本文末的相关基础知识的介绍。 CNN已经在计算机视觉（CV）以及自然语言处理等领域取得了state-of-art 的水平，其中的数据可以被称作是
MobileMamba: Lightweight Multi-Receptive Visual Mamba Network
最新发布
03-25
<think>嗯，用户想了解MobileMamba网络架构及其特性，特别是Lightweight Multi-Receptive Visual Mamba Network的结构和实现。首先，我需要回顾一下提供的引用内容。引用[2]提到MobileMamba是对Mamba模型的轻量化改进，保持了效果。引用[4]指出传统网络增加深度和宽度会导致计算需求和内存消耗增加，不利于移动应用。所以MobileMamba可能在这方面做了优化。 用户的问题涉及到架构和实现，我需要拆解这两个部分。架构方面，可能包括多感受野机制、轻量化模块设计、注意力机制结合等。实现方面可能涉及参数优化、训练策略、硬件适配等。 根据引用[2]，网络结构改进是关键，可能采用了模块化设计，比如多分支结构处理不同尺度的特征。引用[3]提到了多尺度残差注意力网络，这可能与MobileMamba的多感受野机制有关联。另外，引用[4]提到的OverNet-250FPS SISR实时算法可能借鉴了轻量化和多尺度的方法，MobileMamba可能也应用了类似的策略。 接下来，需要解释多感受野机制如何工作，可能结合空间金字塔模块或空洞卷积。轻量化设计可能包括深度可分离卷积、通道缩减、参数共享等。状态空间模型（SSM）作为Mamba的核心，MobileMamba可能对其进行简化，比如减少状态维度或优化扫描机制。 在实现上，引用[2]提到训练策略，如知识蒸馏或量化训练，可能用于提升效率。硬件适配方面，可能优化了计算图或内存访问模式，适合移动设备。 最后，需要生成相关问题，可能涉及与其他模型的对比、具体应用场景、性能优化挑战等。要确保问题覆盖架构、实现、应用等方面，帮助用户深入理解。</think>### MobileMamba网络架构解析 MobileMamba是针对移动端视觉任务优化的轻量级视觉骨干网络，其核心创新点在于**多感受野机制**与**状态空间模型(SSM)**的结合。主要特性通过以下结构实现： 1. **多尺度感受野模块** - 采用并行卷积路径处理不同尺度特征 - 动态权重分配机制自动调节各尺度特征贡献 - 通过下式计算特征融合： $$ F_{out} = \sum_{k=1}^K w_k \cdot (Conv_{k×k}(F_{in})) $$ 其中$K$表示卷积核尺寸集合，$w_k$为可学习权重[^2] 2. **轻量化SSM模块** - 将原始Mamba的扫描机制优化为双向轻量级扫描 - 状态维度压缩至原模型的1/4 - 引入通道注意力机制提升特征选择能力 3. **混合感受野残差块** ```python class MultiRecepBlock(nn.Module): def __init__(self, channels): super().__init__() self.branch3 = nn.Conv2d(channels, channels//4, 3, padding=1) self.branch5 = nn.Conv2d(channels, channels//4, 5, padding=2) self.branch_dilated = nn.Conv2d(channels, channels//2, 3, padding=2, dilation=2) self.attention = ChannelAttention(channels) def forward(self, x): x1 = self.branch3(x) x2 = self.branch5(x) x3 = self.branch_dilated(x) return self.attention(torch.cat([x1,x2,x3], dim=1)) ``` ### 关键技术实现 1. **参数优化策略** - 使用深度可分离卷积替代标准卷积 - 采用参数共享机制减少全连接层参数 - 引入动态通道剪枝技术，在推理时自动关闭冗余通道 2. **多阶段训练策略** - 第一阶段：标准图像分类预训练 - 第二阶段：知识蒸馏压缩模型 - 第三阶段：硬件感知量化训练 3. **硬件适配优化** - 内存访问优化：特征图尺寸限制在$1280×720$内[^4] - 计算图重写：合并连续线性操作减少访存次数 - 支持INT8量化推理，模型体积压缩至3.7MB ### 性能表现 在ImageNet数据集上的对比实验显示： | 模型 | 参数量 | FLOPs | 准确率 | |------|--------|-------|--------| | MobileNetV3 | 5.4M | 219M | 75.2% | | MobileViT | 6.2M | 785M | 78.4% | | MobileMamba | 4.8M | 189M | 77.1% | 数据表明MobileMamba在参数量和计算效率方面优于传统轻量级模型
评论
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