摘要

卷积神经网络（Convolutional Neural Networks, CNNs）在当前各类模式识别任务中正取得显著成功。这类学习模型最初专为处理向量数据（如图像）而设计，然而将其拓展至非向量化及半结构化数据（如具有可变大小、拓扑结构各异的图数据）仍面临重大挑战，尽管目前已有若干有前景的解决方案陆续出现。本文提出一种新型谱域多拉普拉斯图卷积网络（Multi-Laplacian Graph Convolutional Network, MLGCN）。该方法的核心贡献在于提出了一种全新的设计范式：通过将图拉普拉斯矩阵建模为若干基础拉普拉斯矩阵的凸组合，其中每个基础拉普拉斯矩阵专门针对输入图数据中特定的拓扑结构进行优化。此外，本文还引入了一种新颖的图池化操作，该操作分为两个步骤：首先执行上下文相关的节点扩展，随后进行全局平均池化。这一两阶段机制的优势在于，既能有效保留节点的判别能力，又能实现对节点排列的不变性。在SBU和UCF-101数据集上的实验结果表明，所提方法在具有挑战性的动作识别任务中具有良好的有效性。补充材料：https://bit.ly/2ku2lYv