awesome gcn

Этот хранилище предназначено для сбора ресурсов, связанных с GCN, GAT (Hittice).

Репозитории GitHub:

Осуществлять:

1. TKIPF/GCN, реализация графических сверточных сетей в TensorFlow,

2. TKIPF/Keras-GCN, Керас реализация графических сверточных сетей,

3. OceChain/GCN, Графические сверточные сети,

4. Petarv-/Gat, Graph Networks (https://arxiv.org/abs/1710.10903),

5. Diego999/Pygat, Pytorch Реализация сети графиков сети Veličković et. AL (2017, https://arxiv.org/abs/1710.10903),

6. MP2893/грамм, модель внимания на основе графика,

7. Danielegrattarola/Keras-Gat, Керас реализация сетей внимания графика (GAT) Veličković et al. (2017; https://arxiv.org/abs/1710.10903),

8. Luckick/EAGCN, Реализация многореляционных графических сетей, основанных на крае.

Улучшен GCN:

1. Lightaime/deep_gcns, репо для "Могут ли Gcns быть такими же глубокими, как CNN?",

Пример и учебник:

1. dbusbridge/gcn_tutorial, учебник по графическим сверточным нейронным сетям,

График знаний:

1. TKIPF/Relational-GCN, Керас реализация сверточных сетей реляционного графика

2. 1049451037/gcn-align, Кодекс статьи: выравнивание графика знаний по межсочевым знаниям через графические сверточные сети.

3. Michschli/отношения, реализация R-GCNS для прогнозирования реляционной связи

4. xiangwang1223/skange_graph_attuention_network, kgat: сеть внимания знаний для рекомендации, KDD2019,

5. Deepakn97/отношения, ACL 2019: Основанные на внимании встраивания для прогнозирования отношений в графиках знаний,

Извлечение отношений:

1. Qipeng/GCN-over-uprun-tree, графическое сверчение по сравнению с обрезными деревьями зависимостей улучшает экстракцию отношений (внедрение авторов Pytorch),

2. MALLLABIISC/IRIDE, EMNLP 2018: проживание: улучшение отдаленного экстракции нейронных отношений с использованием побочной информации,

3. Cartus/aggcn_tacred, Графики с управляемыми вниманием для извлечения отношений (реализация авторов Pytorch для бумаги ACL19),

Текстовая классификация:

1. YAO8839836/TEXT_GCN, Графические сверточные сети для классификации текста. AAAI 2019,

2. Yuanluo/text_gcn_tutorial, этот учебник (в настоящее время находится в стадии разработки) основан на реализации текста GCN в нашей статье: Liang Yao, Chengsheng Mao, Yuan Luo. «Графические сверточные сети для классификации текста». В 33-й конференции AAAI по искусственному интеллекту (AAAI-19),

3. plkmo/bible_text_gcn, текстовая сеть свертки на основе графика,

4. IAMJAGDEESH/FAKE-NEWS DETECTION, DETECTOR FAKE NEWS на основе контента и пользователей, связанных с ним, с использованием сетей внимания BERT и графика (GAT).,

Слово внедрение:

3. Malllabiisc/Wordgcn, ACL 2019: включение синтаксической и семантической информации в Word Embeddings с использованием графических сверточных сетей,

Ner:

1. ContextScout/GCN_NER, Графическая сверточная нейронная сеть с именем распознавания объекта,

QA:

1. Berc-Uoft/Transformer-GCN-QA, архитектура Q/A, основанная на трансформаторах и GCN,

Резолюция Coreference:

1. ianycxu/rgcn-with-bert, графические сверточные сети (GCN) с BERT для задачи разрешения Coreference [pytorch] [DGL],

Рекомендация:

1. Peijiesun/Diffnet, этот код выпускается для статьи: Le Wu, Peijie Sun, Yanjie Fu, Richang Hong, Xiting Wang и Meng Wang. Нейронная модель диффузии для социальной рекомендации. Принято Sigir2019.

Распознавание действий на основе скелета:

1. Yysijie/ST-GCN, Пространственные временные графические сверточные сети (ST-GCN) для распознавания действий на основе скелета в Pytorch

Обнаружение аномалии:

1. jx-zhong-for-academic-purpose/gcn-anomaly-обнаружение, заполнитель исходных кодов в CVPR 2019: Графический сверточный этикетка по уборщику шума: тренируйте классификатор действий подключения и игры для обнаружения аномалий.

2. KAIZE0409/GCN_ANOMALYDETECTION, Код для обнаружения глубоких аномалий в приписанных сетях (SDM2019).

Кластеризация лица:

1. Zhongdao/gcn_clustering, код для CVPR'19, основанная на бумажной связи, кластеризация лиц с помощью GCN,

2. YL-1993/Learn-to-Cluster, Learning to Cluster Factions на аффинном графике (CVPR 2019),

Признание атрибутов человека:

2. 2014gaokao/пешеход-атрибут-признание с GCN, GCN для распознавания атрибутов пешеходов в сценариях наблюдения,

Поиск человека:

1. sjtuzq/person_search_gcn, этот репозиторий размещает код для нашей статьи «График контекста обучения для поиска человека», CVPR2019 Oral,

Сегментация изображения:

1. Fidler-Lab/Curve-GCN, официальный код питорха для Curve-GCN (CVPR 2019),

Классификация изображений:

1. Chenzhaomin123/ML_GCN, PYTORCH Внедрение множественного распознавания изображений с помощью графических сверточных сетей, CVPR 2019,

2. Rusty1s/Graph-Image-Classiation, реализация планарных графических сверточных сетей в Tensorflow,

3. Avirambh/MSDNet-GCN, ICLR 2018 Задача воспроизводимости-многомасштабные плотные сверточные сети для эффективного прогноза,

4. Judyye/Zero-Shot-GCN, нулевое обучение с GCN (CVPR 2018),

Генерация графа сцены:

1. Nvidia/contrastivelosses4vrd, реализация для бумаги CVPR2019 «Графические контрастные потери для генерации графиков сцены»,

2. Yuweihao/Kern, код для вмешанной знаниями сеть маршрутизации для генерации графиков сцены (CVPR 2019),

3. SHIJX12/XNM-NET, Pytorch Реализация «Объяснимого и явного визуального рассуждения над графиками сцены»,

4. jiayan97/linknet-pytorch, Pytorch Reimplementation of Linknet для генерации графа сцены,

5. Uehwan/3D-сцен-граф, генератор 3D сцены, реализованный в Pytorch.,

6. Kenneth-Wong/SceneGraph_mem, коды для CVPR 2019: изучение контекста и визуального шаблона отношений для генерации графиков сцен

7. Danfeix/Scene-Graph-TF-релиз, «генерация графиков сцены путем итеративного сообщения передачи» кодового репозитория http://cs.stanford.edu/~danfei/scene-…,

8. Google/SG2IM, код «генерация изображений с графиков сцены», Johnson et al, CVPR 2018,

9. Rowanz/Neural-Motifs, Код для нейронных мотивов: Диаграмм графиков сцены с глобальным контекстом (CVPR 2018) https://rowanzellers.com/neuralmotifs,

10. jwyang/graph-rcnn.pytorch, код Pytorch для нашей бумаги ECCV 2018 «График R-CNN для генерации графиков сцены» и других документов,

11. Yikang-Li/Factorizablenet, Factorizable Net (версия с несколькими GPU): эффективная структура на основе подграфов для генерации графа сцены,

Трафик поток:

1. Lehaifeng/T-GCN, временная графическая сверточная сеть для метода прогнозирования протока городского трафика

2. Francesshou/gcntrafficcrediction,

3. Davidham3/ASTGCN, Пространственные временные графические сети, основанные на внимании, для прогнозирования потока трафика (ASTGCN) AAAI 2019,

Прогноз заболевания:

2. Parisots/Population-GCN, График CNN для групп населения: классификация набора данных Abide,

Прогноз пути:

1. Zhenye-Na/GCN-SPP, кратчайший прогноз пути с использованием графических сверточных сетей,

2. raphaelavalos/thercy_tsp_graph_net, реализация внимания решает ваш TSP, приблизительно (W. Kool et al.) С библиотекой графических сетей DeepMind,

3D Point Cloud:

1. Maggie0106/Graph-CNN-In-3D-Point-Cloud-Classiation, код для граф-CNN для классификации облачной 3D-точки (ICASSP 2018),

2. jiexiong2016/gcnv2_slam, система Slam в реальном времени с глубокими характеристиками,

График к последовательности:

1. wngzhiqi/graph2seq-graph-to-sequence-learning-with-attention-neural-networks, этот репо является проектом для 11785 (глубокое обучение) в CMU. Мы воспроизводят статью под названием «Graph2seq: Graph to Sequence Learning с помощью нейронных сетей, основанных на внимании» (https://arxiv.org/pdf/1804.00823.pdf). Член команды: Чжики Ван, Зийин Хуанг, Хонг Дю, Чжэнкай Чжан,

2. syxu828/graph2seq-0.1, это код для бумаги "Graph2seq: Graph to Sequence Learning с помощью нейронных сетей, основанных на внимании,",

Прогноз химической стабильности:

1. Mingcpu/Deepchemstable, DeepChemStable: прогноз химической стабильности с использованием сети графиков на основе внимания, сеть графиков,