awesome gcn

Este repositório é para coletar recursos relacionados ao GCN, GAT (Atenção de Gráfico).

Repositórios do Github:

Implementar:

1. TKIPF/GCN, Implementação de redes convolucionais de gráficos em Tensorflow,

2. TKIPF/KERAS-GCN, implementação de Keras de redes convolucionais de gráficos,

3. OCECHAIN/GCN, Redes Convolucionais de Gráfico,

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

5. Diego999/pygat, implementação de Pytorch do modelo de rede de atenção gráfico por Veličković et. AL (2017, https://arxiv.org/abs/1710.10903),

6. MP2893/grama, modelo de atenção baseado em gráfico,

7. DANIELEGRATAROLA/KERAS-GAT, KERAS Implementação das redes de atenção gráfica (GAT) por Veličković et al. (2017; https://arxiv.org/abs/1710.10903),

8. Luckick/EAGCN, Implementação de redes convolucionais de gráficos multiratacionais baseados na atenção, Redes convolucionais,

GCN aprimorado:

1. Lightaime/Deep_GCns, repo para "os GCNs podem ir tão profundos quanto os CNNs?",

Exemplo e tutorial:

1. dbusbridge/gcn_tutorial, um tutorial sobre redes neurais convolucionais de gráficos,

Gráfico de conhecimento:

1. TKIPF/Relacional-GCN, implementação baseada em Keras de redes convolucionais de gráficos relacionais

2. 1049451037/gcn-align, Código do artigo: Alinhamento de gráfico de conhecimento transversal por meio de redes convolucionais de gráficos.

3. Michschli/Relationscção, Implementação de R-GCNs para Previsão de Link Relacional

4. xiangwang1223/conhecimento_graph_attention_network, kgat: rede de atenção gráfica de conhecimento para recomendação, kdd2019,

5. Deepakn97/Relationscioning, ACL 2019: Aprendendo incorporação baseada em atenção para previsão de relação em gráficos de conhecimento,

Extração de relação:

1. QIPENG/GCN-O-O-OBRUEND-TRESSO, convolução de gráficos sobre árvores de dependência podada melhora a extração de relação (implementação de pytorch dos autores),

2. MallLabiisc/reside, EMNLP 2018: reside: Melhorando a extração de relação neural supervisionada distante usando informações colaterais,

3. Cartus/aggcn_tacred, Atenção Guiada em Redes Convolucionais de Gráficos para Extração de Relacionamentos (Implementação de Pytorch dos Autores para o Artigo ACL19),

Classificação de texto:

1. yao8839836/text_gcn, redes convolucionais de gráfico para classificação de texto. AAAI 2019,

2. Yuanluo/text_gcn_tutorial, este tutorial (atualmente em desenvolvimento) é baseado na implementação do texto GCN em nosso artigo: Liang Yao, Chengsheng Mao, Yuan Luo. "Redes convolucionais de gráfico para classificação de texto". Na 33ª Conferência AAAI sobre Inteligência Artificial (AAAI-19),

3. plkmo/bible_text_gcn, rede de convolução de gráficos baseada em texto,

4. Iamjagdeesh/Detection-Detection, detector de notícias falsas com base no conteúdo e nos usuários associados a ele usando redes de atenção BERT e Gráfico (GAT).,,

Incorporação de palavras:

3. MallLabiisc/WordGCN, ACL 2019: Incorporando informações sintáticas e semânticas em incorporações de palavras usando redes convolucionais de gráfico,

NER:

1. Contextscout/gcn_ner, Rede neural convolucional de gráfico denominada entidade reconhecimento,

QA:

1. BERC-UOFT/Transformer-GCN-QA, uma arquitetura de Q/A multi-hop baseada em transformadores e GCNs,

Resolução de Coreferência:

1. Ianycxu/RGCN-With-Bert, Redes Convolucionais de Gráfico (GCN) com BERT para tarefa de resolução de coreferência [Pytorch] [DGL],

Recomendação:

1. PEIJIESUN/DIFFNET, este código é lançado para o artigo: Le Wu, Peijie Sun, Yanjie Fu, Richang Hong, Xiting Wang e Meng Wang. Um modelo de difusão de influência neural para recomendação social. Aceito por Sigir2019.

Reconhecimento de ação baseado em esqueleto:

1. Yysijie/st-gcn, redes convolucionais de gráficos temporais espaciais (ST-GCN) para reconhecimento de ação baseado em esqueleto em pytorch

Detecção de anomalia:

1. JX-ZHONG-PARA-ACADÊMICO/GCN-ANOMALIA Detecção, espaço reservado dos códigos de origem no CVPR 2019: Limpador de ruído da etiqueta convolucional do gráfico: Treine um classificador de ação plug-and-play para detecção de anomalia.

2. KAIZE0409/GCN_ANOMALYDETECTION, Código para detecção de anomalia profunda em redes atribuídas (SDM2019).

Cluster de rosto:

1. Zhongdao/gcn_clustering, código para cvpr'19 em cluster de face baseado em link de papel via gcn,

2. YL-1993/Learn-to-Cluster, aprendendo a rostos de cluster em um gráfico de afinidade (CVPR 2019),

Reconhecimento de atributos da pessoa:

2. 2014gaokao/pedestre-atributo-reconhecimento-com-GCN, GCN para reconhecimento de atributos para pedestres em cenários de vigilância,

Pesquisa de pessoa:

1. SJTuzq/Person_Search_GCN, este repositório hospeda o código para o nosso artigo “Graph Context Graph for Pessoa Pesquisa de Pessoas”, CVPR2019 Oral,

Segmentação de imagem:

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

Classificação da imagem:

1. chenzhaomin123/ml_gcn, implementação de pytorch de reconhecimento de imagem com vários rótulos com redes convolucionais de gráficos, CVPR 2019,

2. Rusty1s/classificação de imagem baseada em gráfico, implementação de redes convolucionais de gráficos planares no tensorflow,

3. Avirambh/MSDNet-GCN, ICLR 2018 Reprodutibilidade Challenge-Redes convolucionais densas em várias escalas para previsão eficiente,

4. Judyye/Zero-Shot-GCN, Aprendizagem Zero-Shot com GCN (CVPR 2018),

Geração de gráficos de cena:

1. NVIDIA/Contrastivelosses4VRD, Implementação para o artigo CVPR2019 "Perdas contrastantes gráficas para geração de gráficos de cenas",

2. Yuweihao/Kern, Código de Rede de Roteamento embebido em conhecimento para geração de gráficos de cenas (CVPR 2019),

3. Shijx12/xnm-net, implementação de Pytorch de "raciocínio visual explícito e explícito sobre gráficos de cenas",

4. Jiayan97/LinkNet-Pytorch, Reimplementação de Pytorch do LinkNet para geração de gráficos de cenas,

5. Uehwan/3d-scene-graph, gerador de gráficos de cena 3D implementado em pytorch.,

6. Kenneth-Wong/Scenegraph_mem, códigos para CVPR 2019: Explorando o contexto e o padrão visual de relacionamento para a geração de gráficos de cenas, Wenbin Wang, Ruiping Wang, Shiguang Shan, Xilin Chen, CVPR 2019.,

7. Danfeix/Scene-Graph-TF-Relase, "Geração de gráficos de cenas por mensagem iterativa Passando" Repositório de código http://cs.stanford.edu/~danfei/scene-…,

8. Google/SG2IM, Código para "Geração de Imagens de Gráficos de Cena", Johnson et al., CVPR 2018,

9. Rowanz/Neural-Motifs, Código para Motivos Neurais: Scene Graph Parsing com contexto global (CVPR 2018) https://rowanzellers.com/neuralmotifs,

10. Jwyang/Graph-rcnn.pytorch, código Pytorch para o nosso artigo ECCV 2018 "Gráfico R-CNN for Scene Gráfico de geração de gráficos" e outros artigos,

11. Yikang-Li/fatorizablenet, rede fatorizável (versão multi-GPU): uma estrutura eficiente baseada em subgrafias para geração de gráficos de cenas,

Fluxo de tráfego:

1. Lehaifeng/T-GCN, Rede Convolucional de Gráficos Temporais para Método de Previsão de Fluxo de Tráfego Urbano

2. Franceszhou/gcntrafficPediction,

3. Davidham3/ASTGCN, Redes convolucionais de gráficos espaciais baseadas na atenção para previsão de fluxo de tráfego (ASTGCN) AAAI 2019,

Previsão de doenças:

2. PARISOTS/POPULAÇÃO GCN, CNNS Gráfico para gráficos populacionais: Classificação do conjunto de dados ABIDE,

Previsão de caminho:

1. Zhenye-Na/GCN-SPP, mais curta previsão de caminho usando redes convolucionais de gráficos,

2. Raphaelavalos/attion_tsp_graph_net, a implementação da atenção resolve sua TSP, aproximadamente (W. Kool et al.) Com a biblioteca de redes de gráficos do DeepMind,

Cloud 3D Point:

1. Maggie0106/Graph-CNN-In-3D-Point-Classification, código para um gráfico CNN para classificação em nuvem de pontos 3D (ICASSP 2018),

2. jiexiong2016/gcnv2_slam, sistema de slam em tempo real com recursos profundos,

Gráfico para sequência:

1. wngzhiqi/graph2seq-graph-to-sevence-learning-with-attention baseado neural-networks, este repo é um projeto para 11785 (aprendizado profundo) na CMU. Estamos reproduzindo o artigo chamado "Graph2Seq: Gráfico para sequenciar o aprendizado de redes neurais baseadas em atenção" (https://arxiv.org/pdf/1804.00823.pdf). Membro da equipe: Zhiqi Wang, Ziyin Huang, Hong Du, Zhengkai Zhang,

2. Syxu828/Graph2Seq-0.1, este é o código para o papel "Graph2Seq: Gráfico para sequenciar o aprendizado com redes neurais baseadas em atenção",

Previsão de estabilidade química:

1. Mingcpu/DeepChemstable, DeepChemstable: Previsão de estabilidade química usando rede de convolução de gráficos baseada em atenção,