应用图卷积神经网络而不是普通的 CNN，我们能得到什么好处？我的意思是如果我们可以通过 CNN 解决问题，我们应该转换为图卷积神经网络来解决问题的原因是什么？是否有任何示例，即论文可以通过用图卷积神经网络代替普通 CNN 来证明，实现了精度提高或质量改进或性能提升？谁能介绍一些图像分类、图像识别的例子，尤其是在医学成像、生物信息学或生物医学领域？
应用图卷积神经网络代替普通的 CNN 能得到什么好处？
人工智能
机器学习
深度学习
卷积神经网络
图表
几何深度学习
2021-10-26 22:51:37
2个回答
一般来说，图 CNN 应用于由图表示的数据，而不是图像。
图是节点和连接它们的边的集合。
图像是2D 或 3D 矩阵，其中每个元素表示空间中的一个像素
如果您的数据只是图像或类似的东西（例如一些 fMRI 数据），与通常的 CNN 相比，您通常无法从图形 CNN 中受益。
有时，图像的类标签可能会以类似图形（或树状）的结构进行组织。在这种情况下，您可能有机会从图 CNN 中受益。
生物信息学是图卷积神经网络有用的领域。考虑蛋白质网络或基因-基因网络。当然，生物网络可以表示为图表。现在，您应该了解 GCN 如何用于生物信息学。
其它你可能感兴趣的问题