摘要：为解决CAD/CAPP/CAM集成过程中,三维CAD模型加工特征识别问题,提出了一种混合式图卷积网络(Hybrid spectral domain and spatial domain graph convolution networks, SSGCN)的特征识别算法。以三维模型的面为节点,边为节点间的连接关系,构建图数据结构。提取面的几何属性信息,自定义编码构建节点属性矩阵,作为网络的输入。提取图结构的邻接矩阵、度矩阵等构建混合式图卷积网络。通过Python-OCC相关算法以及布尔运算,设计了一种批量生成带有面标签的加工特征模型数据集算法。使用带有面标签的加工特征模型数据集对网络进行训练,对加工特征模型进行测试,得到很好的识别效果。

摘要：该文将运动想象脑电分类任务设计成应用型教学实验。针对传统图卷积网络(graph convolutional neural networks,GCN)无法建模脑电通道间动态关系问题,提出一种融合通道注意机制的多层图卷积网络模型(channel self-attention multilayer GCN,CAMGCN)。首先,CAMGCN计算脑电信号各个通道间的皮尔逊相关系数进行图建模,并通过通道位置编码模块学习通道间关系。然后将得到的时域和频域特征分量通过通道自注意图嵌入模块进行图嵌入,得到图数据。最后通过多级GCN模块提取并融合多层次拓扑信息,得出分类结果。CAMGCN深化了模型在自适应学习通道间动态关系的能力,并在结构方面提高了自注意机制与图数据的适配性。该模型在BCI Competition-Ⅳ2a数据集上的准确率达到83.8%,能够有效实现对运动想象任务的分类。该实验有助于增进学生对于深度学习和脑机接口的理解,培养创新思维,提高科研素质。

摘要：为解决现有的事件抽取方法在实体抽取子任务中难以充分利用上下文信息,导致事件抽取精度较低的问题,提出了基于跨度和图卷积网络的篇章级事件抽取(document-level event extraction based on span and graph convolutional network, DEESG)模型。首先,设计中间线性层对编码的向量进行线性处理,并结合标注信息计算最佳跨度,通过提升对跨度开始位置和结束位置判断的准确度来提高实体抽取的精度;接着,提出异构图的构建方法,使用池化策略将实体与句子表示为图的节点,根据提出的建边规则构建异构图,以此建立全局信息的交互,并利用多层图卷积网络(graph convolutional network, GCN)对异构图进行卷积,获得具有上下文信息的实体表示和句子表示,以此解决上下文信息利用不充分的问题;然后,利用多头注意力机制进行事件类型的检测;最后,为组合中的实体分配论元角色,完成事件抽取任务。在中文金融公告(Chinese financial announcements, ChFinAnn)数据集上进行实验。结果表明,与拥有追踪器的异构图交互模型(graph-based interaction model with a tracker, GIT)相比,DEESG模型的F1分数提升了1.3个百分点。该研究证实DEESG模型能有效应用于篇章级事件抽取领域。

摘要：目前,基于图卷积网络(GCN)的推荐系统普遍存在噪声、训练效率低以及无法选择合适的损失函数进行有效联合优化的问题。为此,提出结合预训练与去噪图卷积网络的多任务学习推荐模型MCPD,采用图卷积网络重点关注高阶邻居间的协作信号以生成更精准的用户和项目嵌入。首先,通过双向注意力聚合模型分别对用户与项目进行预训练,以提升模型收敛速度和训练效率。其次,设计邻居边去噪自编码器模型,在邻居边去噪任务中将传统图卷积网络与注意力机制相结合以识别噪声边,通过降噪自编码器DAE对嵌入进行编码和解码以减少噪声。最后,选择性能最好的余弦对比损失函数,并结合多任务学习联合优化双向注意力聚合预训练、邻居边去噪和降噪自编码器来保证模型推荐精度。在3个标准数据集上的实验表明,MCPD模型的Recall、NDCG指标分别达到7.10、6.00、19.09以及5.85、4.82、15.75,优于其他基线,在推荐准确性方面相较基于GCN的推荐系统具有明显优势。

摘要：随着网络规模增长,实时、准确预测多尺度网络流量对流量管理和路由设计至关重要。文章提出一种基于图卷积网络的多尺度网络流量预测模型。采用自适应噪声完备集合经验模态分解方法(CEEMDAN)和小波阈值降噪方法相结合的方式对多尺度网络流量数据进行去噪;通过图卷积网络(GCN)分析网络路由节点的空间拓扑,利用多层长短时记忆神经网络(LSTM)捕获流量时间序列相关性,并将拓扑结构与流量矩阵输入GCN-LSTM模型训练,进而实现多尺度网络流量预测;运用网络流量数据集进行实验分析。实验研究表明,所提模型具有良好的多尺度网络流量预测性能。

摘要：隐写者检测通过设计模型检测在批量图像中嵌入秘密信息进行隐蔽通信的隐写者,对解决非法使用隐写术的问题具有重要意义.本文提出一种基于多示例学习图卷积网络(Multiple-instance learning graph convolutional network,MILGCN)的隐写者检测算法,将隐写者检测形式化为多示例学习(Multiple-instance learning, MIL)任务.本文中设计的共性增强图卷积网络(Graph convolutional network, GCN)和注意力图读出模块能够自适应地突出示例包中正示例的模式特征,构建有区分度的示例包表征并进行隐写者检测.实验表明,本文设计的模型能够对抗多种批量隐写术和与之对应的策略.

摘要：为减少由驾驶员分心造成的交通事故,并检测驾驶员在自动驾驶情况下的分心状态以判断驾驶员是否有接管车辆的能力,提出了一种基于图卷积的多信息融合驾驶员分心行为检测方法。通过分析驾驶员分心行为和姿态特征,设计了驾驶员姿态估计图,基于图卷积网络对驾驶员姿态估计图进行特征提取,使用全连接层对所提取特征进行行为分类,同时融合手机等关键物体信息对驾驶员分心行为进行再判断。实验结果表明,本文提出的方法在SrateFarm数据集和自制数据集上分别达到了90%和93%的准确率,检测速度约为20帧/s,准确性和实时性均达到检测要求。

摘要：人体动作识别因在公共安全方面具有重要的作用而在计算机视觉领域备受关注。然而,现有的图卷积网络在融合多尺度节点的邻域特征时,通常采用各阶邻接矩阵直接相加的方法,各项重要性一致,难以聚焦于重要特征,不利于最优节点关系的建立,同时采用对不同模型的预测结果求平均的双流融合方法,忽略了潜在数据的分布差异,融合效果欠佳。为此,文中提出了一种双流自适应注意力图卷积网络,用于对人体动作进行识别。首先,设计了能自适应平衡权重的多阶邻接矩阵,使模型聚焦于更加重要的邻域;然后,设计了多尺度的时空自注意力模块及通道注意力模块,以增强模型的特征提取能力;最后,提出了一种双流融合网络,利用双流预测结果的数据分布来决定融合系数,提高融合效果。该算法在NTU RGB+D的跨主体和跨视角两个子数据集上的识别准确率分别达92.3%和97.5%,在Kinetics-Skeleton数据集上的识别准确率达39.8%,均高于已有算法,表明了文中算法对于人体动作识别的优越性。

摘要：方面情感分析旨在识别句子中特定方面的情感极性,是一项细粒度情感分析任务。传统基于注意力机制方法,仅在单词之间进行单一的语义交互,没有建立方面词与文本词的语法信息交互,导致方面词错误地关注到与其语法无关的文本词信息。此外,单词的位置距离特征和语法距离特征,分别体现其在句子线性形式中和句子语法依存树中的位置关系,而基于图卷积网络处理语法信息的方法却忽略距离特征,使距方面词较远的无关信息对其情感分析造成干扰。针对上述问题,该文提出多交互图卷积网络(MIGCN),首先将文本词位置距离特征馈入到每层图卷积网络,同时利用依存树中文本词的语法距离特征对图卷积网络的邻接矩阵加权,最后,设计语义交互和语法交互分别处理单词之间语义和语法信息。实验结果表明,在公共数据集上,准确率和宏F1值均优于基准模型。

摘要：现有的人脸属性识别方法或采用属性分组的方式提取特征,或计算属性共现概率构造静态属性关系图.前者学习的属性间互补信息不充足,且无法确定组间属性的相关性和属性间的相关程度;后者在人脸图像出现偶然共现属性对时存在偏差,可能会降低模型的通用性.为解决上述问题,提出一种结合特征解耦和静动态联合图卷积网络的人脸属性识别方法.首先使用深度卷积神经网络ResNet-50提取包含属性表示信息的特征;然后设计特征解耦模块,学习得到每种属性对应的特定特征;最后联合属性关系的静态图和动态图,通过图卷积网络学习属性之间的相关性并使用一维卷积层识别人脸属性.在CelebA和LFWA数据集上进行验证,所提方法的平均准确率分别达到91.85%和88.17%,优于许多已有的方法.