awesome gcn

Este repositorio es recopilar recursos relacionados con GCN, GAT (atención gráfica).

Repositorios de Github:

Implementar:

1. TKIPF/GCN, Implementación de redes convolucionales gráficas en TensorFlow,

2. TKIPF/KERAS-GCN, Keras Implementación de redes convolucionales gráficas,

3. Ocechain/GCN, Redes convolucionales de gráficos,

4. Petarv-/gat, redes de atención gráfica (https://arxiv.org/abs/1710.10903),

5. Diego999/Pygat, Implementación de Pytorch del modelo de red de atención gráfica por Veličković et. Al (2017, https://arxiv.org/abs/1710.10903),

6. MP2893/Gram, modelo de atención basado en gráficos,

7. Danielegrattarola/Keras-Gat, Implementación de Keras de las redes de atención de gráficos (GAT) por Veličković et al. (2017; https://arxiv.org/abs/1710.10903),

8. Luckick/EAGCN, Implementación de redes de convolucionales de gráficos multirrelacionales basados ​​en la atención de Edge,

GCN mejorado:

1. LightAIME/Deep_Gcns, Repo para "¿Pueden los GCN ser tan profundos como CNNS?",

Ejemplo y tutorial:

1. dbusbridge/gcn_tutorial, un tutorial sobre redes neuronales convolucionales gráficas,

Gráfico de conocimiento:

1. TKIPF/RELACIONAL-GCN, Implementación basada en Keras de redes convolucionales de gráficos relacionales

2. 1049451037/GCN-Align, Código del documento: Alineación de gráficos de conocimiento interlingüístico a través de redes convolucionales gráficas.

3. Michschli/RelationPrediction, Implementación de R-GCN para la predicción de enlaces relacionales

4. Xiangwang1223/Knowleding_Graph_Attention_network, KGAT: Network de atención del gráfico de conocimiento para recomendación, KDD2019,

5. Deepakn97/RelationPrediction, ACL 2019: Aprendizaje de incrustaciones basadas en la atención para la predicción de relaciones en gráficos de conocimiento,

Extracción de relación:

1. Los árboles QIGENG/GCN-Over-Pe-, la convolución gráfica sobre los árboles de dependencia podados mejora la extracción de relaciones (implementación de Pytorch de los autores),

2. Malllabiisc/Reside, EMNLP 2018: Reside: Mejora de la extracción de relación neuronal con supervisión utilizando información lateral,

3. Cartus/AGGCN_Tacred, Redes convolucionales de gráfico guiado de atención para la extracción de relaciones (implementación de Pytorch de autores para el documento ACL19),

Clasificación de texto:

1. Yao8839836/text_gcn, redes convolucionales gráficas para la clasificación de texto. AAAI 2019,

2. Yuanluo/Text_GCN_Tutorial, este tutorial (actualmente en desarrollo) se basa en la implementación de Text GCN en nuestro artículo: Liang Yao, Chengsheng Mao, Yuan Luo. "Redes convolucionales gráficas para la clasificación de texto". En la 33ª Conferencia AAAI sobre Inteligencia Artificial (AAAI-19),

3. PLKMO/BIBLE_TEXT_GCN, Red de convolución de gráficos basada en texto,

4. IAMJAGDEESH/Detección falsa de News, detector de noticias falsas basado en el contenido y los usuarios asociados con él utilizando Bert y Graph Atention Networks (GAT).,

Incrustación de palabras:

3. Malllabiisc/WordGCN, ACL 2019: Incorporación de información sintáctica y semántica en integridades de palabras utilizando redes convolucionales gráficas,

Ner:

1. Contextcout/gcn_ner, red neuronal convolucional gráfica nombrada reconocimiento de entidad,

QA:

1. Berc-Uoft/Transformer-GCN-QA, una arquitectura Q/A múltiple salto basada en Transformers y GCNS,

Resolución de coreferencia:

1. Ianycxu/rgcn-with-bert, redes convolucionales gráficas (GCN) con Bert para la tarea de resolución de coreferencia [Pytorch] [DGL],

Recomendación:

1. Peijiesun/Diffnet, este código se lanza para el documento: Le Wu, Peijie Sun, Yanjie Fu, Richang Hong, Xiting Wang y Meng Wang. Un modelo de difusión de influencia neuronal para la recomendación social. Aceptado por Sigir2019.

Reconocimiento de acción basado en esqueleto:

1. Yysijie/ST-GCN, Redes convolucionales de gráfico temporal espacial (ST-GCN) para el reconocimiento de acción basado en esqueletos en Pytorch

Detección de anomalías:

1. JX-ZHONG-FOR-Academic-Purpose/GCN-Anomaly-Detection, marcador de posición de los códigos fuente en CVPR 2019: Limpiador de etiqueta convolucional gráfico: Entrena un clasificador de acción plug-and-play para la detección de anomalías.

2. Kaize0409/gcn_anomalydetection, código para la detección de anomalías profundas en redes atribuidas (SDM2019).

Agrupación de la cara:

1. Zhongdao/gcn_clustering, código para la agrupación de cara basada en enlaces de papel CVPR'19 a través de GCN,

2. YL-1993/Learn-To-Cluster, Learning to Cluster Faces en un gráfico de afinidad (CVPR 2019),

Reconocimiento de atributos de la persona:

2. 2014GAOKAO/peatonal-atributo-reconocimiento-GCN, GCN para el reconocimiento de atributos peatonales en escenarios de vigilancia,

Búsqueda de la persona:

1. sjtuzq/persona_search_gcn, este repositorio aloja el código para nuestro documento "Gráfico de contexto de aprendizaje para la búsqueda de persona", CVPR2019 Oral,

Segmentación de imagen:

1. Fidler-Lab/Curve-GCN, Código oficial de Pytorch para Curve-GCN (CVPR 2019),

Clasificación de imagen:

1. Chenzhaomin123/ml_gcn, implementación de Pytorch del reconocimiento de imágenes de múltiples etiquetas con redes convolucionales gráficas, CVPR 2019,

2. Rusty1s/Graph-Image-Classification, Implementación de redes convolucionales de gráficos planos en TensorFlow,

3. AVIRAMBH/MSDNET-GCN, ICLR 2018 Reproducibilidad Challenge-Redes convolucionales densas a múltiples escala para una predicción eficiente,

4. Judyye/cero-shot-GCN, aprendizaje de cero disparo con GCN (CVPR 2018),

Generación de gráficos de escena:

1. NVIDIA/ContrastIvliveSses4VRD, Implementación para el documento CVPR2019 "Pérdidas de contraste gráficas para la generación de gráficos de escena",

2. Yuweihao/Kern, Código para la red de enrutamiento incrustada por el conocimiento para la generación de gráficos de escena (CVPR 2019),

3. shijx12/xnm-net, implementación de pytorch de "razonamiento visual explícito y explícito sobre gráficos de escena",

4. Jiayan97/Linknet-Pytorch, Pytorch Reimplementation of LinkNet para la generación de gráficos de escena,

5. Uehwan/3D-Scene-Graph, generador de gráficos de escena 3D implementado en Pytorch.,

6. Kenneth-Wong/SceneGraph_mem, Códigos para CVPR 2019: Explorando el contexto y el patrón visual de relación para la generación de gráficos de escena, Wenbin Wang, Ruiping Wang, Shiguang Shan, Xilin Chen, CVPR 2019.,

7. Danfeix/Scene-Graph-TF-Release, "Generación de gráficos de escena por mensaje iterativo" Repositorio de código http://cs.stanford.edu/~danfei/scene-…,

8. Google/SG2IM, Código para "Generación de imágenes de Scene Graphs", Johnson et al, CVPR 2018,

9. Rowanz/Neural-Motifs, Código para motivos neuronales: análisis de gráficos de escena con contexto global (CVPR 2018) https://rowanzellers.com/neuralMotifs,

10. Jwyang/Graph-rcnn.pytorch, código Pytorch para nuestro documento ECCV 2018 "Graph R-CNN para la generación de gráficos de escena" y otros documentos,

11. Yikang-Li/Factorizablenet, Net Factorizable (versión multi-GPU): un marco eficiente basado en subgrafías para la generación de gráficos de escena,

Flujo de tráfico:

1. lehaifeng/t-gcn, red convolucional de gráfico temporal para el método de predicción de flujo de tráfico urbano

2. Franceszhou/gcntraffic -predicción,

3. Davidham3/ASTGCN, Redes convolucionales de gráficos espaciales-temporales basados ​​en la atención para pronósticos del flujo de tráfico (ASTGCN) AAAI 2019,

Predicción de la enfermedad:

2. Parisots/Population-GCN, Graph CNNS para gráficos de población: Clasificación del conjunto de datos de Corre,

Predicción del camino:

1. Zhenye-na/gcn-spp, predicción de ruta más corta utilizando redes convolucionales gráficas,

2. Raphaelavalos/atención_tsp_graph_net, la implementación de la atención resuelve su TSP, aproximadamente (W. Kool et al.) Con la biblioteca de las redes gráficas de DeepMind,

Nube de puntos 3D:

1. MAGGIE0106/GRAPH-CNN-IN-3D-Point-Cloud-Classification, código para un GRAPH-CNN para la clasificación de nubes de puntos 3D (ICASSP 2018),

2. jiexiong2016/gcnv2_slam, sistema de slam en tiempo real con características profundas,

Gráfico a secuencia:

1. Wngzhiqi/Graph2Seq-Graph-to-Seurence-Learning-with-asistencia-networks neural-networks, este repositorio es un proyecto para 11785 (aprendizaje profundo) en CMU. Estamos reproduciendo papel llamado "Graph2Seq: Graph to secuence el aprendizaje con redes neuronales basadas en la atención" (https://arxiv.org/pdf/1804.00823.pdf). Miembro del equipo: Zhiqi Wang, Ziyin Huang, Hong Du, Zhengkai Zhang,

2. SYXU828/GRAPH2SEQ-0.1, este es el código para el papel "Graph2Seq: Graph para secuenciar el aprendizaje con redes neuronales basadas en la atención",

Predicción de estabilidad química:

1. MingCPU/DeepChemstable, DeepChemstable: Predicción de estabilidad química utilizando la atención de convolución gráfica basada en la atención,