一种多跳图卷积神经网络模型及其训练方法技术

本发明专利技术提供了一种多跳图卷积神经网络模型及其训练方法，所述模型依次包括输入层、同时捕捉多阶邻域信息、引入自连接和注意力乘数的多跳图卷积层、融合多跳邻域信息的SP信息融合池化层和softmax函数多分类输出层，所述模型对应的训练方法为先预处理得到预处理特征后，将其输入模型训练的高效训练方法。本实施例采用多阶图卷积层增加模型宽度、减少了模型计算复杂度和参数量的同时，还能聚集多阶邻域节点信息、赋予自身节点更高权重，且通过分组注意结合注意力乘数调整不同阶邻域节点分类贡献度，不仅保持了更大的感受野，还提高了模型的有效性、稳定性和分类表现。

【技术实现步骤摘要】
一种多跳图卷积神经网络模型及其训练方法
本专利技术涉及图像处理及深度学习
，特别是涉及一种多跳图卷积神经网络模型及其训练方法。
技术介绍
图卷积神经网络中的高阶图卷积网络因其能够聚集更丰富节点信息、扩宽模型感受野及提升分类表现而在图像处理及深度学习
得以广泛应用。如，高阶图卷积网络模型设计了一种包括使用不同权重参数的一阶图卷积到P阶图卷积，利用两个高阶图卷积层学习高阶节点之间的关系和聚集不同距离邻域节点信息的高阶图卷积，且在每个高阶图卷积聚集了不同距离的邻域信息后，利用列连接将这些邻域信息进行拼接，再通过一个全连接层进行邻域信息融合的网络架构，通过聚集多阶邻域信息，在一定程度上扩宽了模型的感受野、提升了分类精度，但由于其采用不同阶卷积不同的权重参数、堆叠多个高阶图卷积层，及全连接融合不同距离邻域信息的技术必要会造成复杂度增大，参数量成倍增加，进而增加了过拟合风险；高低阶图卷积网络模型设计了一种既包括一阶的低阶图卷积，也包括二阶到P阶的高阶图卷积，所有阶数图卷积采用权重共享机制，且在每个高低阶图卷积聚集不同距离的邻域信息后，利用信息融本文档来自技高网...

【技术保护点】
1.一种多跳图卷积神经网络模型，其特征在于，所述多跳图卷积神经网络模型模型依次包括输入层、多跳图卷积层、信息融合池化层和输出层；/n所述输入层，用于接收训练数据集的图特征；/n所述多跳图卷积层，用于根据所述图特征进行零阶到k阶的多跳图卷积运算，得到图卷积数据；/n所述信息融合池化层，用于根据所述图卷积数据进行多跳邻域的特征融合，得到融合数据；/n所述输出层，用于根据所述融合数据输出模型结果。/n

【技术特征摘要】
1.一种多跳图卷积神经网络模型，其特征在于，所述多跳图卷积神经网络模型模型依次包括输入层、多跳图卷积层、信息融合池化层和输出层；
所述输入层，用于接收训练数据集的图特征；
所述多跳图卷积层，用于根据所述图特征进行零阶到k阶的多跳图卷积运算，得到图卷积数据；
所述信息融合池化层，用于根据所述图卷积数据进行多跳邻域的特征融合，得到融合数据；
所述输出层，用于根据所述融合数据输出模型结果。


2.如权利要求1所述的多跳图卷积神经网络模型，其特征在于，所述多阶图卷积层通过如下方式产生：
对不同阶数图卷积按照相邻三阶为一组进行分组；
组内图卷积采用注意融合，组间图卷积采用注意力乘数调整权重。


3.如权利要求2所述的多跳图卷积神经网络模型，其特征在于，在所述多跳图卷积层的任一阶数图卷积引入新的自连接。


4.如权利要求3所述的多跳图卷积神经网络模型，其特征在于，所述多跳图卷积层包括相邻组权重共享的一阶图卷积到k阶图卷积，表示为：



其中，X是图的输入矩阵，w是参数矩阵，是图的正则化邻接矩阵，k>2是图卷积的最大阶数，SA(·)为注意融合函数，β0,β13,β24,…,β(k-2)k∈R为对应不同组图卷积的注意力乘数。


5.如权利要求4所述的多跳图卷积神经网络模型，其特征在于，所述多跳图卷积神经网络模型的输出层的输出MulStepNET表示为：



其中，σ(·)为激活函数，SP(·)为信息融合函数，softmax(·)为多分类输出函数。

...

【专利技术属性】
技术研发人员：刘勋，宗建华，夏国清，陈华珍，于明清，
申请(专利权)人：广州大学华软软件学院，
类型：发明
国别省市：广东;44