awesome gcn

พื้นที่เก็บข้อมูลนี้คือการรวบรวมทรัพยากรที่เกี่ยวข้องกับ GCN, GAT (กราฟ)

ที่เก็บ GitHub:

ดำเนินการ:

1. TKIPF/GCN การใช้งานของกราฟ convolutional เครือข่ายใน TensorFlow

2. TKIPF/KERAS-GCN, การใช้งาน KERAS ของเครือข่ายกราฟ convolutional,

3. OCECHAIN/GCN, เครือข่ายกราฟ Convolutional,

4. Petarv-/gat, เครือข่ายความสนใจของกราฟ (https://arxiv.org/abs/1710.10903),

5. diego999/pygat, การใช้งาน pytorch ของโมเดลเครือข่ายความสนใจของกราฟโดยVeličković et. AL (2017, https://arxiv.org/abs/1710.10903),

6. MP2893/กรัมโมเดลความสนใจบนกราฟ

7. Danielegrattarola/Keras-Gat, การใช้งาน Keras ของเครือข่ายความสนใจกราฟ (GAT) โดยVeličkovićและคณะ (2017; https://arxiv.org/abs/1710.10903),

8. Luckick/Eagcn การดำเนินการตามความสนใจของกราฟหลายกราฟที่มีความสนใจตามความสนใจเครือข่าย convolutional

ปรับปรุง GCN:

1. Lightaime/deep_gcns, repo สำหรับ "GCNs สามารถไปได้ลึกเท่ากับ CNNS หรือไม่",

ตัวอย่าง & การสอน:

1. DBUSBRIDGE/GCN_TUTORIAL ซึ่งเป็นบทช่วยสอนเกี่ยวกับเครือข่ายประสาทของกราฟ

กราฟความรู้:

1. TKIPF/relation

2. 1049451037/GCN-allign, รหัสของกระดาษ: การจัดตำแหน่งกราฟความรู้ข้ามภาษาผ่านเครือข่ายกราฟ Convolutional

3. Michschli/Relationprediction การดำเนินการของ R-GCNs สำหรับการทำนายการเชื่อมโยงเชิงสัมพันธ์

4. XIANGWANG1223/ความรู้ _graph_attention_network, KGAT: เครือข่ายความสนใจกราฟความรู้สำหรับคำแนะนำ, KDD2019,

5. Deepakn97/Relationprediction, ACL 2019: การเรียนรู้การฝังความสนใจจากการทำนายความสัมพันธ์ในกราฟความรู้

การแยกความสัมพันธ์:

1. QIPENG/GCN-over-pruned-trees, กราฟ convolution ผ่านต้นไม้พึ่งพาการตัดแต่งช่วยปรับปรุงการสกัดความสัมพันธ์ (การใช้งาน pytorch ของผู้เขียน),

2. Malllabiisc/Reside, EMNLP 2018: อาศัยอยู่: การปรับปรุงการสกัดความสัมพันธ์ของระบบประสาทที่อยู่ห่างไกลโดยใช้ข้อมูลด้านข้าง

3. CARTUS/AGGCN_TACRED, เครือข่ายกราฟที่มีไกด์นำเที่ยวที่ได้รับความสนใจสำหรับการสกัดสัมพันธ์ (การใช้งาน Pytorch ของผู้เขียนสำหรับกระดาษ ACL19)

การจำแนกประเภทข้อความ:

1. Yao8839836/text_gcn, เครือข่ายกราฟ convolutional สำหรับการจำแนกประเภทข้อความ AAAI 2019

2. Yuanluo/text_gcn_tutorial บทช่วยสอนนี้ (กำลังอยู่ระหว่างการพัฒนา) ขึ้นอยู่กับการใช้ข้อความ GCN ในบทความของเรา: Liang Yao, Chengsheng Mao, Yuan Luo "เครือข่ายกราฟ convolutional สำหรับการจำแนกประเภทข้อความ" ในการประชุม AAAI ที่ 33 เกี่ยวกับปัญญาประดิษฐ์ (AAAI-19)

3. plkmo/bible_text_gcn, เครือข่ายการแปลงกราฟที่ใช้ข้อความตามข้อความ,

4. iamjagdeesh/การตรวจจับการปลอมตัว, เครื่องตรวจจับข่าวปลอมตามเนื้อหาและผู้ใช้ที่เกี่ยวข้องโดยใช้เครือข่ายความสนใจของ BERT และกราฟ (GAT)

การฝังคำ:

3. MALLLABIISC/WordGCN, ACL 2019: การรวมข้อมูลทางไวยากรณ์และความหมายในการฝังคำโดยใช้กราฟ convolutional Networks

ner:

1. contextscout/gcn_ner, เครือข่ายประสาทเทียมกราฟชื่อการจดจำเอนทิตี

QA:

1. BERC-uoft/transformer-gcn-qa ซึ่งเป็นสถาปัตยกรรม q/a แบบหลายฮอปตามหม้อแปลงและ GCNs

ความละเอียด coreference:

1. IANYCXU/RGCN-WITH-BERT, กราฟ Convolutional Networks (GCN) กับ BERT สำหรับงานความละเอียด coreference [pytorch] [DGL],,,

คำแนะนำ:

1. Peijiesun/Diffnet รหัสนี้ถูกปล่อยออกมาสำหรับกระดาษ: Le Wu, Peijie Sun, Yanjie Fu, Richang Hong, Xiting Wang และ Meng Wang รูปแบบการแพร่กระจายของระบบประสาทสำหรับคำแนะนำทางสังคม ยอมรับโดย Sigir2019

การจดจำการกระทำตามโครงกระดูก:

1. Yysijie/ST-GCN, กราฟอวกาศอวกาศเชิงพื้นที่ convolutional เครือข่าย (ST-GCN) สำหรับการรับรู้การกระทำตามโครงกระดูกใน Pytorch

การตรวจจับความผิดปกติ:

1. JX-Zhong-for-academic-purpose/GCN-anomaly-detection, placeholder ของรหัสแหล่งที่มาใน CVPR 2019: กราฟ convolutional label noise cleaner: ฝึกตัวจําแนกแอ็คชั่นแบบปลั๊กแอนด์เพลย์สำหรับการตรวจจับความผิดปกติ

2. KAIZE0409/GCN_ANOMALYDETECTION, รหัสสำหรับการตรวจจับความผิดปกติลึกบนเครือข่ายที่มาจาก (SDM2019)

การจัดกลุ่มใบหน้า:

1. zhongdao/gcn_clustering, รหัสสำหรับ cvpr'19 การจัดกลุ่มใบหน้าที่ใช้การเชื่อมโยงกระดาษผ่าน GCN,

2. YL-1993/เรียนรู้คลัสเตอร์เรียนรู้ที่จะคลัสเตอร์เผชิญหน้ากับกราฟความสัมพันธ์ (CVPR 2019)

การรับรู้แอตทริบิวต์บุคคล:

2. 2014gaokao/คนเดินเท้า-การรับรู้-กับ GCN, GCN สำหรับการรับรู้คุณสมบัติการเดินเท้าในสถานการณ์การเฝ้าระวัง

การค้นหาบุคคล:

1. sjtuzq/person_search_gcn ที่เก็บนี้เป็นโฮสต์รหัสสำหรับกระดาษ“ กราฟบริบทการเรียนรู้สำหรับการค้นหาบุคคล”, CVPR2019 ORAL,

การแบ่งส่วนภาพ:

1. fidler-lab/curve-gcn, รหัส pytorch อย่างเป็นทางการสำหรับ curve-gcn (CVPR 2019),

การจำแนกรูปภาพ:

1. Chenzhaomin123/ML_GCN, การใช้งาน Pytorch ของการจดจำภาพหลายฉลากด้วยกราฟ Convolutional Networks, CVPR 2019,

2. Rusty1s/การจำแนกภาพตามกราฟการใช้งานของเครือข่ายกราฟกราฟระนาบใน TensorFlow

3. Avirambh/MSDNET-GCN, ICLR 2018 ความท้าทายการทำซ้ำ-เครือข่าย convolutional หนาแน่นหลายระดับสำหรับการทำนายที่มีประสิทธิภาพ

4. Judyye/Zero-shot-GCN, การเรียนรู้แบบศูนย์-ช็อตกับ GCN (CVPR 2018),

การสร้างกราฟฉาก:

1. NVIDIA/CHALTIVELOSSES4VRD การใช้งานสำหรับ CVPR2019 PAPER "การสูญเสียความคมชัดกราฟิกสำหรับการสร้างกราฟฉาก"

2. Yuweihao/Kern, รหัสสำหรับเครือข่ายการกำหนดเส้นทางที่ฝังความรู้สำหรับการสร้างกราฟฉาก (CVPR 2019),

3. shijx12/xnm-net การใช้งาน pytorch ของ "การใช้เหตุผลเชิงภาพที่อธิบายได้และชัดเจนเหนือกราฟฉาก"

4. Jiany97/Linknet-Pytorch, การปรับแต่ง Pytorch ใหม่ของ LinkNet สำหรับการสร้างกราฟฉาก

5. Uehwan/3D-Scene-Graph, เครื่องกำเนิดกราฟฉาก 3 มิติที่ใช้ใน Pytorch.

6. Kenneth-Wong/Scenegraph_mem, รหัสสำหรับ CVPR 2019: การสำรวจบริบทและรูปแบบการมองเห็นของความสัมพันธ์สำหรับการสร้างกราฟฉาก, Wenbin Wang, Ruiping Wang, Shiguang Shan, Xilin Chen, CVPR 2019

7. Danfeix/scene-graph-tf-rease, "การสร้างกราฟฉากโดยข้อความซ้ำผ่าน" ที่เก็บรหัสhttp://cs.stanford.edu/~danfei/scene-…,

8. Google/SG2IM, รหัสสำหรับ "การสร้างภาพจากกราฟฉาก", Johnson et al, CVPR 2018,

9. Rowanz/Neural-Motifs, รหัสสำหรับลวดลายประสาท: การแยกกราฟฉากกับบริบททั่วโลก (CVPR 2018) https://rowanzellers.com/neuralmotifs,

10. jwyang/graph-rcnn.pytorch, รหัส pytorch สำหรับกระดาษ ECCV 2018 ของเรา "กราฟ r-cnn สำหรับการสร้างกราฟฉาก" และเอกสารอื่น ๆ

11. yikang-li/factorizablenet, net factorizable (multi-gpu เวอร์ชัน): เฟรมเวิร์กย่อยที่มีประสิทธิภาพสำหรับการสร้างกราฟฉาก

กระแสการจราจร:

1. Lehaifeng/T-GCN, เครือข่ายกราฟกราฟชั่วคราวสำหรับวิธีการทำนายการไหลของการจราจรในเมือง

2. Franceszhou/gcntrafficprediction

3. Davidham3/ASTGCN ซึ่งเป็นเครือข่ายกราฟอวกาศเชิงพื้นที่ตามความสนใจสำหรับการพยากรณ์การไหลของการจราจร (ASTGCN) AAAI 2019

การทำนายโรค:

2. Parisots/Pumple-GCN, กราฟ CNNS สำหรับกราฟประชากร: การจำแนกประเภทของชุดข้อมูล Abide

การทำนายเส้นทาง:

1. Zhenye-Na/GCN-SPP การทำนายเส้นทางที่สั้นที่สุดโดยใช้เครือข่ายกราฟ convolutional

2. Raphaelavalos/attere_tsp_graph_net การใช้งานความสนใจจะช่วยแก้ TSP ของคุณโดยประมาณ (W. Kool et al.) ด้วยห้องสมุดกราฟอวนของ DeepMind

เมฆจุด 3D:

1. Maggie0106/graph-cnn-in-3d-point-cloud-classification, รหัสสำหรับกราฟ -CNN สำหรับการจำแนกคลาวด์จุด 3D (ICASSP 2018)

2. jiexiong2016/gcnv2_slam ระบบสแลมแบบเรียลไทม์พร้อมคุณสมบัติที่ลึก

กราฟเพื่อลำดับ:

1. WNGZHIQI/GRAPH2SEQ-GRAPH-to-sequence-learning-with-based-based-neural-networks, Repo นี้เป็นโครงการสำหรับ 11785 (การเรียนรู้ลึก) ที่ CMU เรากำลังทำซ้ำกระดาษที่เรียกว่า "graph2seq: กราฟเพื่อการเรียนรู้ลำดับด้วยเครือข่ายประสาทตามความสนใจ" (https://arxiv.org/pdf/1804.00823.pdf) สมาชิกในทีม: Zhiqi Wang, Ziyin Huang, Hong Du, Zhengkai Zhang

2. Syxu828/graph2seq-0.1 นี่คือรหัสสำหรับกระดาษ "graph2seq: กราฟเพื่อการเรียนรู้ลำดับด้วยเครือข่ายประสาทตามความสนใจ"

การทำนายความมั่นคงทางเคมี:

1. MINGCPU/DEEPCHEMSTABLE, DEEPCHEMSTABLE: การทำนายความเสถียรทางเคมีโดยใช้เครือข่ายการควบคุมกราฟที่ใช้ความสนใจ