融合路径优化的异构图神经网络算法

图神经网络(GNNs)因其在图数据分析方面的卓越性能而受到广泛关注。异构图神经网络(HGNNs)通过处理含有多种类型节点和边的异构图数据,为解决复杂数据分析问题提供了新视角。为提升异构图数据处理准确性与效率,本研究提出了一种融合路径优化的异构图神经网络算法。算法采用特征传播模块、节点中心性编码、相似度编码、路径优化聚合等技术,旨在通过优化特征传播路径与提高节点信息编码的有效性,强化异构图神经网络对复杂图数据的处理能力。通过公开数据集对提出算法进行算法性能验证,结果表明,通过融合路径优化技术,所提算法在多项性能指标上均显著优于现有异构图神经网络模型,在数据处理效率和模型准确性方面展现出了优异的性能,研究成果可为复杂异构图数据的高效处理提供新的解决方案。

一种面向室内场景的语义分割网络

现有RGB-D语义分割方法难以充分地融合深度信息来实现对复杂场景的语义分割,为了能更精确地在室内场景RGB图中进行识别内部物体,提出一种基于通道注意力机制的非对称三分支结构型卷积网络语义分割模型。该方法能选择性地从RGB图和深度图像中收集特征。先构建了一个具有三个并行分支的体系结构,并添加了三个互补的注意模块。且运用了双向跨模块特征传播策略,不仅可以保留原始RGB图像和深度图像的特征,还能充分利用融合分支的深度特征。在两个室内场景数据集(NYUDv2数据集和SUN-RGBD数据集)进行了对照实验和消融研究。结果表明,所提出的模型与目前最好的表现方法注意力互补网络(ACNet)对比下,像素精度、平均像素精度、平均交并比分别提高了0.9%、1.3%、1.7%,在镜子、书本、箱子等小物体的语义分割交并比指标提高了7.2%、9.6%、11.2%。验证了提出的模型在处理室内场景具更强的适用性。