本文主要是介绍论文阅读: DeepGCNs: Can GCNs Go as Deep as CNNs?，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
论文名称：图卷积神经网络可以走向更深吗？（究极缝合怪）
出自：ICCV 2019 Oral
作者单位： 阿卜杜拉国王科技大学
引言：
卷积神经网络很好，因为它很深，并且由残差连接保证性能的提高。在现有的Graph Convolution Network 只有三到四层，而本文提出的缝合怪有56层。
前言：在后续的论文中，在深度GCN上的论文并没有多少，现有的缝合怪论文体系中并没有它的太多身影。直至2021年12.28日，两年时间内，引用次数为420+次 。
可以看出来，在GCN的狂潮下，这篇文章还是属于热门文章的。而我们也能够充GCN的代码堆叠中看出来，通过不同形式的模块堆叠是能够起到增加模型学习能力的目的的。
内容：
在这篇文章里，主要叙述了一下残差网络、denseNet的功能和效果，并且将他们的思路引入到GCN中，与原始的GCN不同，这里的集成模块由GCN的backbone和融合模块和MLP预测模块组成。
融合模块类似于SE的结构，而mlp是分类器最后的常用操作，只不过后面逐渐被1*1的卷积代替了。
在GCN的backbone，作者给定了三个;
plainGCN
ResGCN
DenseGCN
可以说三者的区别仅仅是跳过连接的数量不同。所以这样能够最大程度的保留原有数据的特征信息，减少梯度过平滑的情况，也就是梯度消失问题的出现。
直接上图
显然，这种backbone + 特征融合（likely SE_block）+MLP (classify)模式定下来，接下来的工作就是换backbone了。
很明显，三种backbone，plain 和 res的k， f都相等，而dense则将f减半，而res和Dense都使用了空洞卷积，这样的好处就是参数量会变少，所以综合这种设计，我们可以猜想，这网络的计算量是有的，并且按照作者当时的背景，一个大型的私立研究所尚且对于图卷积的参数要控制，我们在设计网络架构的时候也要注意，可以将空洞卷积用于GCN中来减少参数！
现在的想法暂时是这样，实验为王！
这篇关于论文阅读: DeepGCNs: Can GCNs Go as Deep as CNNs?的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
