- 博客(14)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 STGODE快速读懂
神经 ODE 类型方法的数值稳定性、求解误差与求解器选择（步长、方法）息息相关，需要特别设计和调参，否则可能造成训练不稳定或效率低下。大多数 STGNN 与 STGODE 类模型都假定图的结构（邻接矩阵）是已知或可预定义的，实际应用中这种先验信息往往不可得或不稳定。STGODE 的 ODE 结构可视为更深层次连续系统，可以更有效捕获远距离空间相关性。对时间维度（T）通常是单独处理的，而不是把整个时间序列作为连续整体来建模。并不存在不同时间节点之间的关联，对于T=t，独立进行计算。TCN的输出是k=0。
2026-01-05 18:21:55
221
原创 快速读懂DGCRN
动态图 + 混合图 + GraphGRU 能同时捕捉空间和时间依赖。计算复杂度高：动态图矩阵乘法和 GraphGRU 对大规模图不友好。自回归误差累积：多步预测时前一步预测误差会传递。图卷积嵌入到 GRU 内部。每个时间步动态生成图。
2026-01-03 23:01:08
140
原创 快速读懂AGCRN
DAGG 生成的 A_hat 一般是静态的（共享整个序列），如果节点关系随时间动态变化，AGCRN 不能直接捕捉。时间维度处理仍依赖 RNN(对长序列可能会比 Transformer/Attention 慢或梯度更难优化)虽然比全局 attention 轻量，但 AGCN 仍需 NxN 矩阵操作，节点很多时可能内存消耗大。第一步是在BxN维度上右乘NxN的邻接矩阵，第二步是BxNxF右乘FxD。node_emb 是随机初始化的，需要训练充分，否则容易收敛慢。
2026-01-02 17:01:59
818
原创 快速读懂STFGNN
把时序关系也当成图来学 的空间-时间预测模型，思想很新，但工程性和泛化性都一般，更像一次结构探索而不是终极解法。首先对于Fusion Graph，原文只给出了概念：时间图中的节点代表时间片，边的权重由交通模式的相似度决定。在时间维 T 上做 GRU / Attention(NxF,B上直接复制)，得到新的节点特征表示。时间片之间的距离（DTW）(第 i 个时间片的整张图状态和第 j 个时间片的整张图状态像不像？注意：原文不是这样的，但是之后的工作大部分都这样做。总输出是B，T，N，N。
2026-01-02 00:02:36
810
原创 高速读懂GMAN
注意这里STE会生成两个STE_hist和STE_future，hist进入encoder，future直接去Cross attention。然后是TE，逐t进行计算，W是Nx(Td+7)，TE最终是TxN的，在D维度上复制成TxNxD。SE是一个NxD的可学习参数矩阵，然后在T维度上复制成TxNxD。然后加一个STE参数矩阵，由SE和TE构成。然后这个STE在B维度上复制，最后与H相加。先线性映射到dim维度上。
2025-12-31 21:54:57
332
原创 快速看完MTGNN
因为 空间关系随时间尺度变化，TC 通过 dilation 把不同尺度分离。MTGNN为什么要 TC + GC 交替？该网络学的是不同时间尺度下的不同图。
2025-12-30 23:35:35
164
原创 快速读懂GraphWaveNet
GraphWaveNet是一种新型时空图神经网络，其核心创新在于让邻接矩阵A参与训练。模型通过堆叠多个Graph WaveNet Block处理输入数据，每个Block包含三个关键组件：1）扩张因果时间卷积（Dilated Causal TCN），仅使用历史信息进行预测；2）门控TCN结构（tanh⊙sigmoid）；3）多图卷积层（前向、后向和自适应图）。特别地，自适应邻接矩阵Aadp通过可训练的节点嵌入(E1,E2)生成，softmax(ReLU(E1E2^T))动态学习空间关系。模型还整合了残差连接和
2025-12-29 18:04:26
630
原创 快速读懂DCRNN
DCRNN（Diffusion Convolutional Recurrent Neural Network）通过将扩散图卷积嵌入GRU门控机制，实现了对有向空间依赖和长期时序动态的联合建模。模型采用Encoder-Decoder框架，其中Encoder和Decoder均采用DCGRU单元，利用扩散卷积处理图结构数据。扩散卷积通过多步随机游走模拟信息传播过程，支持双向信息流动，能有效捕获节点及其多跳邻居的特征。相比同期STGCN采用的图卷积+时序卷积方案，DCRNN选择了图卷积+RNN的技术路线，特别适用于
2025-12-27 22:14:41
482
原创 STGCN高效阅读
对 (B) 施加 Sigmoid 函数，将其压缩到 ((0, 1)) 区间，作为门控信号；将输入 (x) 通过线性层（如全连接层或卷积层）进行投影，并将通道数扩展为原来的两倍。hop代表一次跳跃，K-hop:从中心节点出发，经过最多K条边能到达的所有节点的集合。将线性变换后的结果沿通道维度均匀分割为两部分，分别记为 (A) 和 (B)分别对应STGCN两种变体，区别在于空间块的图卷积方式。然后将 (A) 与该门控信号逐元素相乘，得到最终输出。例如：从 (C) 维映射到 (2C) 维。最后是切比雪夫GCN。
2025-12-26 12:26:48
377
原创 YOLOv2目标检测
YOLOv2使用Darknet19的网络结构，但是Darknet19主要用于图像分类，与YOLOv2存在不同。YOLOv2网络结构YOLOv2 网络结构YOLOv2网络结构YOLOv2卷积层结构：先验框（Anchor Box）借鉴了Faster RCNN，也使用先验框（Anchor Box），YOLOv2一般每个grid设置9个先验框，每张图像13x13个grid。如何初始化先验框的大小？根据数据中目标的宽w和高h，用聚类算法生成（如K-means）需要确定的anchor boxes的参数：
2024-10-31 13:47:27
1349
原创 Python通过解释器自动安装所需的包
移植python环境麻烦？服务器没有所需的包频频报错？用两组python代码帮你解决！读取 packages.txt文件并安装其中的包。读取当前环境内的包名并储存。手动设置包名，一键安装。
2024-10-31 09:23:09
355
原创 YOLOv1目标检测
在YOLOv1(2016)提出之前，R-CNN系列算法在目标检测领域独占鳌头。R-CNN系列检测精度高，但是由于其网络结构是双阶段(two-stage)的特点，使得它的检测速度不能满足实时性双阶段区域提议（Region Proposal）：在第一阶段，模型会生成一系列可能包含目标的区域。这些区域被称为“候选框”或“区域提议”。常用的算法有Selective Search等。
2024-10-22 10:37:01
1592
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人