摘要

卷积神经网络（Convolutional Neural Networks, CNNs）在诸多计算机视觉任务中取得了巨大成功，例如目标分类与检测、语义分割、行为理解等。其卓越性能的关键因素之一在于能够训练非常深的网络结构。尽管CNN在众多任务中表现优异，但在处理非欧几里得数据方面表现不佳，而这类数据在许多现实应用场景中广泛存在。图卷积网络（Graph Convolutional Networks, GCNs）为此提供了一种替代方案，使神经网络能够直接处理非欧几里得数据。尽管GCNs已取得令人鼓舞的成果，但其当前架构通常受限于较浅的层数，主要原因在于训练过程中梯度消失问题。本文将CNN中的残差连接（residual connections）、密集连接（dense connections）以及空洞卷积（dilated convolutions）等关键概念引入GCNs，从而成功实现了超深图卷积网络的训练。实验结果表明，使用深度GCNs（最多达112层）在多个数据集和任务上均展现出显著优势。具体而言，在点云数据上的部件分割与语义分割任务，以及生物蛋白-蛋白相互作用（Protein-Protein Interaction, PPI）图中的蛋白质功能节点分类任务中，均取得了极具前景的性能表现。我们相信，本研究所提供的洞见将为未来GCN研究开辟新的方向，并推动其在本文未涵盖的更多任务中的应用。本工作的源代码已开源，PyTorch实现地址为：https://github.com/lightaime/deep_gcns_torch，TensorFlow实现地址为：https://github.com/lightaime/deep_gcns。