单图卷积足以：高效灰度图像分类
内容提要
本文综述了多种图神经网络方法：将图表示为多通道图像并用2D CNN处理，比图核更准更快；结合边缘卷积的GNN用于医学图像分类，参数少千倍；用PCA预处理高光谱数据并比较CNN与MLP；提出去除冗余计算的像素分类CNN；基于图卷积处理文档与分子分类；用随机游走泛化CNN到图结构；基于谱图卷积与代数多重网格处理不规则数据；提出可扩展半监督图卷积；以及ConvMLP和可复制2D卷积权重的结构化图卷积算子。
延伸解读
图表示与2D CNN结合的优势
文章提到，将图表示为多通道图像结构并使用普通2D卷积神经网络处理，比现有图形核和图形CNN模型更准确且时间复杂度更小。这种方法适用于多种真实数据集，为图分类任务提供了一种高效替代方案，尤其适合需要快速处理大规模图数据的场景。
医学图像分类中的轻量级GNN
针对医学图像分类，文章介绍了一种结合边缘卷积的图神经网络模型，利用RGB通道特征值的相互连接表示关键图节点之间的联系。该模型在MedMNIST数据集上表现出色，且参数比现有深度神经网络少1000倍，训练时间和数据需求也减少，鼓励进一步探索医学影像领域的GNN模型。
高光谱数据分类的预处理与迁移学习
文章通过PCA预处理高光谱数据集，再应用深度学习模型进行分类，以降低训练时间并减少对大量标记数据的依赖。比较CNN和多个MLP架构后，发现采用迁移学习方法比直接训练新模型在大型数据集上更能减少训练时间并提高准确性。
图卷积的谱方法与可扩展性
文章综述了基于谱图卷积的方法，如利用图傅里叶变换和谱乘法构建卷积和池化层，并使用代数多重网格降低图分辨率。此外，提出了一种可扩展的半监督学习方法，通过局部一阶逼近实现谱图卷积，模型在节点数量上线性扩展，在引用网络和知识图数据集上表现出优越性。
Q&A
如何将图结构数据表示为多通道图像并用2D CNN处理？
将图表示为多通道图像结构，然后使用普通2D卷积神经网络进行处理。该方法比现有图形核和图形CNN模型更准确且时间复杂度更小，适用于多种真实数据集。
图神经网络在医学图像分类中有什么优势？
结合边缘卷积的图神经网络模型利用RGB通道特征值的相互连接来强烈表示关键图节点之间的联系，在MedMNIST数据集分类中表现出色，与现有深度神经网络相比参数少1000倍，训练时间和数据需求减少。
PCA预处理如何帮助高光谱图像分类？
通过应用PCA对高光谱数据集进行预处理，再应用深度学习模型进行分类，可以降低训练时间并减少对大量标记数据集的依赖。采用迁移学习方法比直接训练新模型在大型数据集上更能减小训练时间以及提高准确性。
有哪些方法可以解决图像像素分类中的冗余计算问题？
本文介绍了三个用于图像像素分类的卷积神经网络模型，通过去除冗余计算或使用全卷积体系结构来解决滑动窗口网络中存在的冗余计算问题。作者评估了这些模型在两个神经组织数据集上的表现以及不同损失函数的影响。
图卷积神经网络在文档和分子分类上的表现如何？
基于图卷积神经网络的新型神经学习框架在处理结构化和非结构化分类问题方面，证明在文档和分子分类问题方面具有国际领先水平。
如何将CNN泛化到图结构数据？
使用随机游走揭示输入数据内部关系，通过学习底层图将CNN泛化到图结构数据，从而应用于许多标准分类或回归问题。
基于谱图卷积和代数多重网格的方法如何处理不规则数据？
利用图傅里叶变换和谱乘法构建卷积和池化层，使用代数多重网格方法降低图分辨率，以深度学习方式解决机器学习中的空间不规则问题。实验表明在手写数字分类上优于传统CNN。
可扩展的半监督图卷积方法有什么特点？
该方法基于直接作用于图的高效卷积神经网络变体，通过局部一阶逼近实现谱图卷积的选择，模型在节点数量上线性扩展并学习编码局部图结构和节点特征的隐藏层表示，在引用网络和知识图数据集上表现出明显优越性。
ConvMLP是什么？它有什么优势？
ConvMLP是层次化的卷积MLP，可用于视觉识别、物体检测和语义分割等任务。与MLP-Mixer-B/16相比，ConvMLP-S使用了更少的参数，且在ImageNet-1k数据集上具有较高的准确性。
结构化图卷积算子如何复制2D卷积权重？
该算子可以复制二维卷积权重，将传统CNN训练的能力转移到新的图网络，从而处理非矩形数据，不需要在大型数据集上进行领域特定的训练。作者展示了将预训练图像网络应用于分割、风格化和深度预测等多种数据形式。
