awesome gcn

該存儲庫是收集GCN，GAT（圖）相關資源。

GitHub存儲庫：

實施：

1. TKIPF/GCN，在Tensorflow中實現圖卷積網絡，

2. TKIPF/KERAS-GCN，圖形卷積網絡的KERAS實現，

3. OceChain/GCN，圖形卷積網絡，

4. PETARV-/GAT，圖形注意網絡（https://arxiv.org/abs/1710.10903），

5. Diego999/Pygat，Veličković等人的圖形注意網絡模型的Pytorch實現。 AL（2017，https://arxiv.org/abs/1710.10903），

6. MP2893/克，基於圖的注意模型，

7. Danielegrattarola/Keras-Gat，Veličković等人的圖形注意網絡（GAT）的KERAS實施。 （2017; https://arxiv.org/abs/1710.10903），

8. Luckick/EAGCN，基於Edge注意的多個關係圖卷積網絡的實現，

改進的GCN：

1. Lightaime/deep_gcns，“ GCN可以像CNN一樣深的回購？”，

示例和教程：

1. dbusbridge/gcn_tutorial，圖形卷積神經網絡的教程，

知識圖：

1. TKIPF/關係-GCN，基於KERAS的關係圖形卷積網絡的實現

2. 1049451037/GCN-Align，本文代碼：通過圖形卷積網絡的跨語性知識圖對齊。

3. Michschli/關係預測，實施R-GCN用於關係鏈接預測

4. Xiangwang1223/knowledge_graph_attention_network，kgat：知識圖專注網絡推薦網絡，KDD2019，

5. Deepakn97/關係prediction，ACL 2019：學習基於注意力的嵌入，用於知識圖中的關係預測，

關係提取：

1. QIPENG/GCN跨性樹，修剪依賴樹的圖形卷積改善了關係提取（作者的Pytorch實現），

2. Malllabiisc/居住，EMNLP 2018：居住：使用側面信息改善遙遠監督的神經關係提取，

3. CARTUS/AGGCN_TACRED，注意指導的圖形卷積網絡用於關係提取（作者的Pytorch實施ACL19紙），

文本分類：

1. yao8839836/text_gcn，用於文本分類的圖形卷積網絡。 AAAI 2019，

2. yuanluo/text_gcn_tutorial，本教程（目前正在開發）基於我們的論文中的文本GCN的實現：Liang Yao，Yuan Luo的Chengsheng Mao。 “用於文本分類的圖形卷積網絡。”在第33屆AAAI人工智能會議（AAAI-19）中，

3. plkmo/bible_text_gcn，基於文本的圖形卷積網絡，

4. Iamjagdeesh/Fake-News檢測，使用BERT和GRAPH注意網絡（GAT），Fake News探測器，基於與之關聯的用戶。

單詞嵌入：

3. Malllabiisc/WordGCN，ACL 2019：使用圖形卷積網絡將句法和語義信息合併到單詞嵌入中，

ner：

1. ContextsCout/GCN_NER，Graph卷積神經網絡，名為實體識別，

質量檢查：

1. Berc-uoft/Transformer-GCN-QA，基於變形金剛和GCN的多跳Q/A架構，

核心分辨率：

1. ianycxu/rgcn-with-bert，圖形卷積網絡（GCN），帶有bert用於核心分辨率任務[pytorch] [dgl]，

推薦：

1. Peijiesun/diffnet，該代碼發布給論文：Le Wu，Peijie Sun，Yanjie Fu，Richang Hong，Xiting Wang和Meng Wang。神經影響擴散模型，用於社會推薦。被Sigir2019接受。

基於骨架的動作識別：

1. Yysijie/ST-GCN，用於基於骨架的動作識別的空間時間圖卷積網絡（ST-GCN）

異常檢測：

1. JX-ZHONG-ACADEMICPOSE-PURPOSE/GCN-ANOMALY檢測，CVPR源代碼的佔位符：2019年的源代碼：圖形卷積標籤噪聲清潔器：訓練插件和播放動作分類器以進行異常檢測。

2. KAIZE0409/GCN_ANOMALYDETECTION，用於歸因網絡的深度異常檢測代碼（SDM2019）。

面部聚類：

1. 方Dao/gcn_clustering，CVPR'19紙鏈接的代碼通過GCN，基於紙質鏈接的面部聚類，

2. YL-1993/Learn-to-to-Cluster，學習在親和力圖上群集面孔（CVPR 2019），

人屬性識別：

2. 2014年Gaokao/行人 - Attribute-Regnition-with-GCN，GCN，用於監視場景中的行人屬性識別，

人搜索：

1. sjtuzq/person_search_gcn，此存儲庫託管我們的論文“人搜索的學習場面圖”，CVPR2019，口頭，

圖像分割：

1. Fidler-LAB/Curve-GCN，曲線GCN的官方Pytorch代碼（CVPR 2019），

圖像分類：

1. Chenzhaomin123/ML_GCN，具有圖形卷積網絡的多標籤圖像識別的Pytorch實現，CVPR 2019，

2. Rusty1s/基於圖的圖像分類，在Tensorflow中實現平面圖卷積網絡，

3. Avirambh/MSDNET-GCN，ICLR 2018可重複性挑戰 - 多尺度密集的捲積網絡，用於有效預測，

4. Judyye/Zero-Shot-GCN，與GCN一起零射學習（CVPR 2018），

場景圖生成：

1. NVIDIA/CONTRASTIVELOSSES4VRD，CVPR2019紙的實現“場景圖生成的圖形對比損失”，

2. YUWEIHAO/KERN，FOSICE GRAPH GENTRANTION知識插入路由網絡的代碼（CVPR 2019），

3. shijx12/xnm-net，pytorch實現“場景圖上的可解釋和明確的視覺推理”，

4. jiayan97/linknet-pytorch，linknet的pytorch for場景圖生成，

5. UEHWAN/3D-SCENE-GRAPH，3D場景圖生成器，在Pytorch。

6. Kenneth-wong/castengraph_mem，CVPR 2019代碼：探索場景圖生成的上下文和視覺模式，Wenbin Wang，Ruiping Wang，Shiguang Shan，Shiguang Shan，Xilin Chen，CVPR 2019.，2019年。

7. danfeix/scene-graph-tf-release，“迭代消息傳遞的場景圖生成”代碼存儲庫http://cs.stanford.edu/~danfei/~danfei/scene--，

8. Google/sg2im，“場景圖生成圖像生成”的代碼，Johnson等，CVPR 2018，

9. Rowanz/Neural-Motifs，神經圖案的代碼：帶有全球環境的場景圖解析（CVPR 2018）https://rowanzellers.com/neuralmotifs，

10. jwyang/graph-rcnn.pytorch，我們的eccv 2018紙張“圖形R-CNN場景圖生成”和其他論文的Pytorch代碼，

11. yikang-li/factorizablenet，可取分的淨（多GPU版本）：一個有效的基於子圖的場景圖生成框架，

交通流量：

1. Lehaifeng/T-GCN，城市交通流預測方法的時間圖卷積網絡

2. Franceszhou/gcntrafficprediction，

3. Davidham3/ASTGCN，基於注意的時空圖形卷積網絡，用於交通流量預測（ASTGCN）AAAI 2019，

疾病預測：

2. Parisots/人口GCN，用於人口圖的圖形CNN：遵守數據集的分類，

路徑預測：

1. zhenye-na/gcn-spp，使用圖形卷積網絡的最短路徑預測，

2. raphaelavalos/activation_tsp_graph_net，注意力的實現解決了您的TSP，大約（W。Kool等人）用DeepMind的Graph Nets庫，

3D點雲：

1. Maggie0106/Graph-CNN-IN-IN-3D點雲分類，用於3D點雲分類的圖形CNN的代碼（ICASSP 2018），

2. Jiexiong2016/gcnv2_slam，具有深度功能的實時大滿貫系統，

到序列的圖：

1. wngzhiqi/graph2seq-graph-to-sequaph-to-sequence-loceence-enterning基於注意的神經網絡，該回購是CMU的11785（深度學習）項目。我們正在再現稱為“ Graph2Seq：Graph至序列學習的序列學習的論文”（https://arxiv.org/pdf/1804.00823.pdf）。團隊成員：Zhiqi Wang，Ziyin Huang，Hong Du，Zhengkai Zhang，

2. Syxu828/graph2seq-0.1，這是紙質“ Graph2Seq：Graph：Graph to to Gragh to sequence Learning tater Ickition Neural Networks”的代碼，

化學穩定性預測：

1. mingcpu/deepchemstable，深層化學：使用基於注意的圖形卷積網絡的化學穩定性預測，