⑩【图神经网络×自监督×时空】视频自监督学习、时间对比图学习、多尺度时间依赖性(长期、短期) 、频域学习

最新推荐文章于 2025-05-18 10:48:56 发布
最新推荐文章于 2025-05-18 10:48:56 发布
阅读量1.5k 收藏 10
点赞数 8
分类专栏： 百题千解计划(项目 实战 案例） 文章标签： 人工智能 机器学习 自监督 对比学习 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/qq_44731019/article/details/130870819
版权
本文介绍了基于时间对比图的自监督视频表示学习框架TCGL，通过融合多尺度时间依赖性，解决现有方法忽视时间多样性和建模问题。TCGL采用时空知识发现模块和自适应片段顺序预测，增强视频的时空表示学习，适用于动作识别和视频检索等任务，表现出优越性能。

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

 
你无法同时拥有青春和对青春的感悟。
 

最是人间留不住，朱颜辞镜花辞树。

 

🎯作者主页： 追光者♂🔥

        

🌸个人简介：
 
💖[1] 计算机专业硕士研究生💖
 
🌟[2] 2022年度博客之星人工智能领域TOP4🌟
 
🏅[3] 阿里云社区特邀专家博主🏅
 
🏆[4] 优快云-人工智能领域优质创作者🏆
 
📝[5] 预期2023年10月份 · 准优快云博客专家📝  
 

  • 无限进步，一起追光！！！

        

🍎感谢大家 点赞👍  收藏⭐   留言📝！！！

注：更多 此前的文献分析，可参阅博主主页的往期文章，这里不再给出链接。

🌿自监督学习可以利用输入数据中的某些特征或结构来生成有意义的表示，而不需要对数据进行显式标注。在深度学习中，自监督学习通常是通过预定义的pretext任务来实现的，例如，自编码器、对比学习、生成模型等。自监督学习旨在从无标签数据中学习到有用的特征，这些特征可以用于后续的有监督任务，例如分类、回归等。这种方法可以有效减少对标注数据的需求，提高模型的泛化能力和鲁棒性。【来自于2023.5.25-“文心一言”对自监督的最精简描述~】

时间所限，不足之处，还请大家多多见谅！

🕝目录

了解本专栏 订阅专栏 解锁全文
⑬【图神经网络 · 自监督学习 · 时空图】(Preprint类型) | 时空预测 | 城市犯罪预测 | 时空超图 | 多视图时空卷积网络 | 超图对比学习 | 局部时空编码器
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
06-01 557
时空图神经网络（STGN）是一种用于犯罪预测的深度学习模型。它结合了时空信息和神经网络，以对犯罪活动进行预测和分析。STGN的基本思想是 将时空数据表示为图结构，其中 节点表示地点和时间，边表示节点之间的关系。然后，使用神经网络对图进行编码，从而 学习到犯罪活动的模式和趋势。具体来说，STGN包括两个部分：空间图和时间图。空间图 将地理信息表示为节点和边，时间图 将时间信息表示为节点和边。然后，通过将空间图和时间图合并成一个时空图，就可以对犯罪数据进行建模和预测。
图神经网络实战（20）——时空图神经网络
盼小辉丶的博客
11-11 4140
本节介绍了具有时空信息的图数据。这种时空成分在许多应用中都很有帮助，主要与时间序列预测有关。我们介绍了两种符合这种定义的图：静态图(特征随时间变化)和动态图(特征和拓扑结构会发生变化)。PyTorch Geometric Temporal 是 PyTorch Geometric 的扩展，专门用于处理时空图神经网络。此外，我们实现了 EvolveGCN 架构，该架构使用 GRU 或 LSTM 网络更新 GCN 参数。应用此架构执行 Web 流量预测，并且在有限的数据集上取得了出色的结果。
[2021] Spatio-Temporal Graph Contrastive Learning
小卜妞的博客
04-21 1958
21-Spatio-Temporal Graph Contrastive Learning 郑宇、梁玉轩 1 摘要 深度学习模型是时空图(STG)预测的现代工具。尽管它们很有效，但它们需要大规模的数据集来获得更好的性能，并且容易受到噪声扰动。为了减轻这些限制，一个直观的想法是使用流行的’数据增强’和’对比学习’技术。然而，现有的图对比学习方法由于三个原因不能直接应用于STG预测。 经验发现，预测任务无法从对比学习得到的预先训练的表征中获益。 用于击败噪声的数据增强方法对STG数据的探索较少。 忽略了样本的
自动时空图对比学习
gao00013的博客
12-12 1697
在各种区域嵌入方法中，基于图的区域关系学习模型因其具有较强的结构表示能力，可以用图神经网络编码空间相关性而脱颖而出。尽管它们很有效，但现有方法尚未很好地解决几个关键挑战:1)由于各种因素，数据噪声和缺失在许多时空情景中普遍存在。2)输入的时空数据(如流动性轨迹)通常表现出时空分布的异质性。在这种情况下，当前的方法容易受到生成的区域图质量的影响，这可能导致次优性能。在本文中，我们通过在多视图数据源生成的异构区域图上探索自动时空图对比学习范式(AutoST)来解决上述挑战。
一文详解图对比学习（GNN+CL）的一般流程和最新研究趋势
sinat_22510827的博客
07-03 4341
随着对比学习（Contrastive Learning）在 CV、NLP 等领域大放异彩，其研究热度近年来也逐步走高。在图学习领域，由于图（Graph）数据也存在缺少标签或难以标注的问题，自 2020 年来，研究者们也着力于将对比学习技术应用于图表示学习任务上，取得了十分不错的效果，这一系列算法研究称为图对比学习（Graph Contrastive Learning）。由于图是一种离散的数据结构，且一些常见的图学习任务中，数据之间往往存在紧密的关联（如链接预测）。如何针对这些特性设计图对比学习算法、对比学习
基于大语言模型的时空图学习
gao00013的博客
12-28 1724
时空预测在城市计算中具有巨大的意义，因为它使决策者能够预测交通流量、犯罪率和空气质量等关键现象。通过利用时空数据固有的图结构和利用图神经网络(gnn)的力量来捕获不同时隙和位置的复杂关系和依赖关系，研究人员在这一领域取得了显着进展。这些进步极大地改善了表征学习，导致了更准确的预测。本研究的重点是探索大语言模型(LLMs)处理城市系统时空数据动态特性的能力。所提出的方法被称为STLLM，将llm与跨视图互信息最大化范式集成在一起，以捕获隐含的时空依赖性并保留城市空间中的空间语义。
【时空图神经网络 & 交通】相关模型3：STFGNN | 空间-时间依赖性 | 基于数据驱动的方法来生成“时间图” | 时空融合图模块，门控卷积模块 | 动态时间规整 | 顶会文章解析
最新发布
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
05-18 42
STFGNN（时空融合图神经网络）在交通流量预测中的优势主要体现在以下几个方面：首先，它提出了一种数据驱动的方法生成“时间图”，弥补了传统空间图可能无法反映的某些相关性。其次，STFGNN通过并行处理不同时间段的空间图和时间图，有效地学习隐藏的时空依赖关系。此外，它将融合图模块与门控卷积模块整合到一个统一层中，通过层层堆叠处理长序列，进一步增强了模型的表达能力。实验结果表明，STFGNN在多个交通数据集上表现出色，优于其他基准方法，展示了其在实际应用中的强大潜力。
⑧【自监督学习 · 时空图卷积网络 · 文献精读】步态识别 | 姿势估计 | 隐私保护 | 生物识别技术
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
05-17 910
步态识别和姿势估计是计算机视觉领域中的重要研究方向，利用深度学习技术可以在这一领域取得了很大的进展。在步态识别方面，最新的研究成果包括基于深度学习的步态识别方法，通过自动学习辨别表示的能力，重塑了这一领域的研究格局。基于深度学习的步态识别方法目前在该领域占据主导地位，并且促进了实际应用。在姿势估计方面，深度学习技术也取得了显著的进展。现有的姿势估计方法通常分为两类：基于特征的方法和基于模型的方法。基于特征的方法通常使用单个或多个特征来估计姿势，这些特征通常是在图像中提取的。基于模型的方法通常使用深度学习模型
几篇关于对比学习处理遥感图像的文章小结
QQ704630835的博客
08-22 2161
对比学习在遥感领域的一点成果
基于骨架动作识别的时空图卷积网络
LSC_333的博客
05-24 6201
论文来自https://arxiv.org/abs/1801.07455 英语渣渣的阅读和翻译 基于骨架动作识别的时空图卷积网络 摘要：人体骨骼动力学为人类动作识别传达了重要信息。传统方法在骨骼建模上通常依赖于手工制作的部分或遍历的规则，因此就导致了传统方法的表达力有限和泛化困难。在这项工作中，我们提出了一种动态骨架的新模型，称为时空图卷积网络（ST-GCN），它通过自动从数据中学习时空模式，超越了以前方法的局限。这种表述不仅导致更大的表达能力，而且还具有更强的泛化能力。在两个大型数据集Kinetics
Graph WaveNet：用于时空图建模的图神经网络结构
zuiyishihefang的博客
08-19 3926
1.文章信息文章题为《Graph WaveNet for Deep Spatial-Temporal Graph Modeling》是一篇发表于“Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence (IJCAI-19)”，有关时空图建模的论文。2.摘要时空图建模是分析系...
解读：一种基于扩张卷积和区域转移注意力机制的深度时空网络模型
敲代码的quant的博客
10-16 1342
写在前面下面这篇文章的内容主要是来自发表于Applied Intelligence 的一篇文章《Deep spatial-temporal networks for crowd flow...
时空图神经网络（ST-GNN）
zuiyishihefang的博客
06-01 1万+
1. 文章信息文章题为《SPACE-TIME GRAPH NEURAL NETWORKS》，提出了一种新颖的图网络结构。2. 摘要文章介绍了时空图神经网络（ST-GNN），这是一种新的GNN结构，专门用于联合处理时变网络数据的基本时空拓扑。文章提出的体系结构由时间和图卷积滤波器组成，以及逐点非线性激活函数。文章首先介绍了卷积算子的一般定义，它模拟信号在其底层支持上的扩散过...
理解对比表示学习(Contrastive Learning)
xxxxxxxxxx13的博客
12-12 3万+
目录一、前言二、对比学习三、主要论文（附代码分析）1.MOCO ([Kaiming He](https://ieeexplore.ieee.org/document/9157636) *et al.* 2020)2. SIMCLR ([Geoffrey Hinton](https://arxiv.org/pdf/2002.05709.pdf) *et al* 2020)3. AMDIM ([Bachman](https://arxiv.org/pdf/1906.00910.pdf) *et al.* 201
图系列|7篇动态时空图网络学习必读的顶会论文
fengdu78的博客
02-13 6272
Dynamic Graph Embedding整理：AIGraph内容：7篇Dynamic Graph Embedding相关的内容简介：本文汇总了7篇Dynamic Graph Emb...
时空图学习笔记：Structural-RNN: Deep Learning on Spatio-Temporal Graphs
zcsdn1996的博客
10-18 6143
论文链接：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Jain_Structural-RNN_Deep_Learning_CVPR_2016_paper.pdf 此为原创笔记，如需转载请注明 时空图和结构化RNN: st-graph and str...
时空图卷积神经网络比较好的帖子
XYKenny的博客
05-14 1410
时空图卷积神经网络比较好的帖子： 1、https://www.cnblogs.com/shyern/p/11262926.html#_label4_0 2、https://zhoef.com/2019/08/24/14_ST-Gcn/
【另外一款爱心——html实现（附源代码）】
热门推荐
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
11-10 6万+
代码 <!doctype html> <html> <head> <meta charset="utf-8"> <title>canvas爱心</title> <style> html, body { height: 100%; padding: 0; margin: 0; background: #000; } canvas { position: absolute; width: 100%;
（已更新）【Idea】Process finished with exit code 0 是什么意思？这个“报错”该如何解决？
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
03-22 2万+
在【Idea】中运行一个Java程序的时候，运行成功后，出现了如下语句，这是什么意思？ 即：Process finished with exit code 0 经过百度翻译之后发现，是如下意思： Process finished with exit code 0 进程已完成，退出代码为0 该语句： 表示你的程序正常执行完毕并退出。 对于 exit code，在大部分编程语言中都适用； exit code 0 表示程序执行成功，正常退出； exit code 1 表示程序执行执行过程中遇到了某些问题或者
时空图神经网络
03-28
时空图神经网络（Spatio-Temporal Graph Neural Network, STGNN）是一种专门用于处理具有空间和时间依赖性的复杂数据结构的方法。它通过结合图卷积操作来捕捉节点之间的空间关系，以及序列建模技术来分析时间维度上...
评论 2
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

打赏作者

追光者♂

谢谢你呀！一起加油！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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