DGCNN (EdgeConv) – الشبكة الالتفافية البيانية الديناميكية
Dynamic Graph CNN (EdgeConv) (2019)
للسحب النقطية: اربط كل نقطة بأقرب k نقطة، واحسب رسالة من النقطة ومن فرقها عن الجار، واجمع بالأقصى؛ ثم أعد بناء رسم الجيران في فضاء الخصائص الجديد في كل طبقة.
الحدس
للسحب النقطية: اربط كل نقطة بأقرب k نقطة، واحسب رسالة من النقطة ومن فرقها عن الجار، واجمع بالأقصى؛ ثم أعد بناء رسم الجيران في فضاء الخصائص الجديد في كل طبقة.
الشرح التفصيلي
EdgeConv تحسب لكل رابط h_Θ(x_i, x_j − x_i): الجزء الأول يحمل البنية الشاملة والثاني البنية المحلية. التجميع بالأقصى. الأهم أن الرسم ديناميكي: بعد كل طبقة يُعاد حساب kNN في فضاء الخصائص، فتتصل نقاط متشابهة دلالياً (مثل جناحي طائرة) وإن تباعدت. تُضم مخرجات الطبقات ثم تجميع شامل.
حققت نتائج قوية على ModelNet40 وShapeNet عند نشرها، وأثبتت أن بناء الرسم نفسه جزء متعلَّم من النموذج.
البنية المعمارية
EdgeConv × 4 (kNN ديناميكي) ← ضم ← طبقة خطية ← تجميع أقصى شامل ← MLP.
المعادلات
x_i'=\max_{j\in\operatorname{kNN}(i)}h_\Theta\!\left(x_i,\,x_j-x_i\right)نقاط القوة
- يلتقط البنى المحلية والشاملة
- الرسم الديناميكي يتعلم الجوار الدلالي
- لا يحتاج روابط مسبقة
القيود
- kNN في كل طبقة مكلف O(n²)
- ليس متكافئاً مع الدوران بطبيعته
- حساس لـ k
التعقيد الحسابي
O(n²) لبناء kNN + O(n·k·F²) لكل طبقة.
متى تستخدمه
السحب النقطية والبيانات بلا رسم صريح.
التنفيذ في PyTorch Geometric
torch_geometric.nn.EdgeConv / DynamicEdgeConvشيفرة توضيحية للاستخدام المعتاد؛ راجع توثيق إصدار المكتبة الذي تستخدمه قبل تشغيلها.
تابع التعلّم
نماذج مرتبطة
دروس تشرحه
المراجع
- Wang, Y., Sun, Y., Liu, Z., Sarma, S. E., Bronstein, M. M., & Solomon, J. M. (2019). Dynamic Graph CNN for Learning on Point Clouds. ACM Transactions on Graphics. DOI: 10.1145/3326362 · arXiv: 1801.07829EdgeConv: رسم kNN يُعاد بناؤه في كل طبقة من فضاء الخصائص.
