PointViG: A Lightweight GNN-based Model for Efficient Point Cloud Analysis
针对现有基于GNN的点云分析方法计算成本高、难扩展的问题，本研究提出轻量级框架PointViG，通过轻量图卷积模块和自适应扩张图卷积技术平衡性能与效率，在多个基准任务上取得与SOTA模型相当的表现。
2024-09-16 cs.CV
Joint 3D Object Detection and Tracking Using Spatio-Temporal Representation of Camera Image and LiDAR Point Clouds
Hanyang University（汉阳大学）；Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
在本文中，我们提出了一个新的联合目标检测和跟踪（JoDT）框架的三维目标检测和跟踪的基础上相机和激光雷达传感器。所提出的方法，被称为3D DetecTrack，使检测器和跟踪器合作，以生成相机和激光雷达数据的时空表示，然后执行3D目标检测和跟踪。检测器通过相机和LiDAR融合获得的空间特征的加权时间聚合来构建时空特征。然后，检测器使用来自直到前一个时间步保持的轨迹片段的信息来重新配置初始检测结果。基于由检测器生成的时空特征，跟踪器使用图神经网络（GNN）将检测到的对象与先前跟踪的对象相关联。我们设计了一个完全连接的GNN，它结合了基于规则的边缘修剪和基于注意力的边缘门控，利用空间和时间对象上下文来提高跟踪性能。在KITTI和nuScenes基准上进行的实验表明，所提出的3D DetecTrack在检测和跟踪性能方面都比基线方法有了显着的改进，并且通过检测器和跟踪器之间的协作，在现有方法中实现了最先进的性能。
2021-12-15 cs.CV cs.LG
Dynamic Edge Weights in Graph Neural Networks for 3D Object Detection
Graphics and Spatial Computing Lab（图形与空间计算实验室）
强大而精确的3D检测系统是自动驾驶汽车不可或缺的一部分。传统上，大多数3D目标检测算法集中于使用体素网格或鸟瞰图（BEV）来处理3D点云。然而，最近的工作表明，利用图神经网络（GNN）作为一个有前途的方法，三维目标检测。在这项工作中，我们提出了一个基于注意力的特征聚合技术在GNN检测激光雷达扫描中的对象。我们首先采用了一个距离感知下采样方案，不仅提高了算法的性能，但也保留了最大的几何特征的对象，即使他们远离传感器。在GNN的每一层中，除了将每节点输入特征映射到对应的更高级别特征的线性变换之外，还执行通过向其第一环邻域中的不同节点指定不同权重的每节点掩蔽注意力。掩蔽注意力隐式地考虑了每个节点的底层邻域图结构，并且还消除了昂贵的矩阵运算的需要，从而在不损害性能的情况下提高了检测精度。在KITTI数据集上的实验表明，该方法在三维目标检测中具有较好的效果。
2020-09-17 cs.CV cs.LG
DeepCut: Unsupervised Segmentation using Graph Neural Networks Clustering
Weizmann Institute of Science（魏茨曼科学研究所）
针对无监督图像分割中传统聚类方法损失高维特征信息的问题，提出DeepCut方法，用轻量级GNN替代经典聚类，结合原始特征与成对亲和度优化聚类目标，实现无k聚类，在多任务基准上性能超越SOTA。
2023-08-21 cs.AI cs.CV cs.LG
HPGNN: Using Hierarchical Graph Neural Networks for Outdoor Point Cloud Processing
University of Moratuwa（莫拉图瓦大学）
受最近自主导航点云处理改进的启发，我们专注于使用分层图神经网络对大规模户外LiDAR点云进行处理和特征学习。我们观察到现有的基于GNN的方法无法克服户外数据集中点的规模和不规则性的挑战。为了解决在有效地学习更大容量的同时保留结构细节的需要，我们提出了分层点图神经网络（HPGNN）。它学习图粗糙度不同级别的节点特征来提取信息。这使得可以在大型点云上学习，同时保留现有点级图网络难以实现的细节。多个级别之间的连接使点能够在几次迭代中学习多个尺度中的特征。我们将HPGNN设计为一种纯粹基于GNN的方法，因此它提供了与其他基于点的和Graph网络基线一样的模块化可扩展性。为了说明改进的处理能力，我们将以前的基于点的和GNN模型与我们的HPGNN进行了语义分割的比较，在SemanticKITTI数据集上实现了GNN（+36.7 mIoU）的显着改进。
2022-06-05 cs.CV cs.LG
Unsupervised Feature Learning for Point Cloud by Contrasting and Clustering With Graph Convolutional Neural Network
The City College of The City University of New York（纽约市立大学城市学院）
为了减轻收集和标注大规模点云数据集的成本，我们提出了一种无监督学习方法，通过使用深度图神经网络（GNNs）的部分对比和对象聚类，从未标记的点云“3D对象”数据集学习特征。在对比度学习步骤中，3D对象数据集中的所有样本被分成两部分并放入“部分”数据集中。然后，训练对比度学习GNN（ContrastNet）以验证来自部件数据集的两个随机采样部件是否属于同一对象。在聚类学习步骤中，将训练好的ContrastNet应用于原始3D对象数据集中的所有样本以提取特征，这些特征用于将样本分组到聚类中。然后训练另一个用于聚类学习的GNN（聚类网络）来预测所有训练样本的聚类ID。对比学习迫使ContrastNet学习对象的高级语义特征，但可能会忽略低级特征，而ContraterNet通过训练发现可能属于相同语义类别的对象来提高学习特征的质量。我们已经进行了广泛的实验，以评估点云分类任务的建议框架。所提出的无监督学习方法获得了与使用更复杂的网络结构的最先进的无监督学习方法相当的性能。本作品的代码可通过https://github.com/lingzhang1/ContrastNet公开获得。
2019-08-13 cs.CV
PCFEx: Point Cloud Feature Extraction for Graph Neural Networks
本文提出PCFEx方法，通过将点云视为图并结合GNN架构，提升3D点云在人体姿态估计和活动识别中的精度。
2026-03-09 cs.CV cs.IR
Enhancing Steering Estimation with Semantic-Aware GNNs
Hybrid Intelligence part of Capgemini Engineering（凯捷工程混合智能部门）；Computer Science and Artificial Intelligence Lab, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室）
本研究针对自动驾驶转向估计任务，提出结合语义感知GNN与RNN的混合架构，利用单目图像生成的伪3D点云及语义优化的图构建策略，在KITTI数据集上较2D模型提升71%性能且成本更低。
2025-03-21 cs.CV
Concentric Spherical GNN for 3D Representation Learning
Georgia Institute of Technology（佐治亚理工学院）；Sandia National Laboratories（桑迪亚国家实验室）
学习能够很好地推广到任意方向输入的3D表示在从计算机视觉到物理和化学的各种应用中是具有实际重要性的挑战。我们提出了一种新的多分辨率卷积架构，用于在同心球形特征映射上进行学习，其中单球体表示是一种特殊情况。我们的分层架构是基于交替学习，将球内和球间的信息。我们展示了我们的方法的适用性，两种不同类型的3D输入，网格对象，它可以定期采样，点云，这是不规则分布。我们还提出了一个有效的映射点云同心球形图像，从而桥接一般点云网格上的球形卷积。我们证明了我们的方法在提高旋转数据的3D分类任务的最先进性能方面的有效性。
2021-03-18 cs.CV cs.LG
IC classifier: a classifier for 3D industrial components based on geometric prior using GNN
University of California, Berkeley（加州大学伯克利分校）；Tsinghua University（清华大学）
在本文中，我们提出了一种方法来解决分类的问题，通过引入一个新的框架命名为IC分类器（工业组件分类器）的3D工业组件。我们的框架的目的是专注于对象的本地和全球的结构，强调前者通过将特定的本地功能嵌入模型。通过利用图形神经网络和嵌入来自几何属性，IC分类器有利于探索的局部结构的对象，同时使用几何注意力的分析的全局结构。此外，该框架使用点云来规避繁重的计算工作量。拟议的框架的性能是基准对国家的最先进的模型，展示了其在该领域的竞争潜力。
2023-03-10 cs.CV
DGC-GNN: Leveraging Geometry and Color Cues for Visual Descriptor-Free 2D-3D Matching
Aalto University（阿尔托大学）；ETH Zurich（苏黎世联邦理工学院）
提出DGC-GNN算法，通过全局到局部的图神经网络逐步利用几何和颜色线索表示关键点，在无视觉描述符的2D-3D匹配中显著提升精度，缩小与基于描述符方法的性能差距。
2024-03-24 cs.CV
MLGCN: An Ultra Efficient Graph Convolution Neural Model For 3D Point Cloud Analysis
McMaster University（麦克马斯特大学）；University of Toronto（多伦多大学）；McGill University（麦吉尔大学）
提出MLGCN模型，通过多级图卷积和预计算共享KNN图高效提取3D点云特征，在保持性能的同时大幅降低计算与存储需求，适用于资源受限场景。
2023-03-31 cs.CV
Exploiting Local Geometry for Feature and Graph Construction for Better 3D Point Cloud Processing with Graph Neural Networks
Centre for Development of Advanced Computing（先进计算发展中心）；TensorTour；IIT Kanpur（印度理工学院坎普尔分校）；NEC Labs America（NEC美国实验室）
我们提出了简单而有效的改进点表示和局部邻域图建设的一般框架内的图神经网络（GNNs）的三维点云处理。作为第一个贡献，我们建议增加的顶点表示与重要的局部几何信息的点，其次是使用MLP的非线性投影。作为第二个贡献，我们建议改进用于3D点云的GNN的图形构造。现有的方法与k-nn为基础的方法来构建局部邻域图。我们认为，它可能会导致减少覆盖的情况下，密集的采样传感器在某些地区的场景。所提出的方法旨在解决这些问题，并在这种情况下提高覆盖率。由于传统的GNN被设计为与一般图一起工作，其中顶点可能没有几何解释，因此我们将我们的两个建议视为增强一般图以纳入3D点云的几何性质。虽然很简单，我们证明了多个具有挑战性的基准，相对干净的CAD模型，以及与现实世界的嘈杂扫描，所提出的方法实现了最先进的结果对基准的3D分类（ModelNet 40），部分分割（ShapeNet）和语义分割（斯坦福大学3D室内场景数据集）。我们还表明，所提出的网络实现了更快的训练收敛，即减少了约40%的分类时期。该项目的详细信息可在https://siddharthsrivastava.github.io/publication/geomgcnn/
2021-03-28 cs.CV cs.RO
HyperGCT: A Dynamic Hyper-GNN-Learned Geometric Constraint for 3D Registration
Northwestern Polytechnical University（北华理工大学）；Wuhan University（武汉大学）；Chinese Academy of Sciences（中国科学院）；Peking University（北京大学）；Chang’an University（长安大学）
HyperGCT提出动态超图神经网络学习几何约束，利用高阶一致性优化对应关系，在多个基准上达到最先进性能，并对图噪声鲁棒。
2025-07-09 cs.CV
Attention-based Graph Convolution Fusing Latent Structures and Multiple Features for Graph Neural Networks
Tokyo University of Agriculture and Technology（东京农工大学）；Osaka University（大阪大学）
提出了一种基于注意力的图神经网络空间图卷积算法。现有的AGC集中在只使用节点的功能，并利用一种类型的注意力函数时，计算注意力权重。相反，我们提出了两种方法来提高AGCs的表示能力，利用1）在高维空间中的结构信息和2）多个注意力函数时，计算它们的权重。第一种方法计算高维空间中图的局部结构表示。第二种方法在一个AGC中同时使用多个注意函数。这两种方法可以结合起来。我们还提出了一个GNN的分类点云和点标签的预测点云建议AGC的基础上。实验结果表明，所提方法的性能优于现有方法。我们的代码在https://github.com/liyang-tuat/SFAGC上打开。
2023-03-03 cs.AI cs.CV
HDST-GNN: Heterogeneous Dynamic Spatiotemporal Graph Neural Networks for Multi-Object Tracking in UAV Aerial Imagery
Phillip Jiang（菲利普·姜）
针对无人机航拍中目标小、密集、遮挡导致身份切换的问题，提出异质动态时空图神经网络HDST-GNN，通过高度自适应边构建、异质节点表示和遮挡门控时序聚合提升跟踪性能。
2026-06-04 cs.AI cs.CV cs.LG
GNN-PMB: A Simple but Effective Online 3D Multi-Object Tracker without Bells and Whistles
Vitalent Consulting（Vitalent咨询公司）；Beihang University（北京航空航天大学）；Swinburne University of Technology（斯威本科技大学）
多目标跟踪（MOT）是现代先进驾驶辅助系统（ADAS）和自动驾驶（AD）系统中的关键应用之一。全局最近邻滤波器作为最早的基于随机向量的贝叶斯跟踪框架，已被汽车行业的大多数最先进的跟踪器所采用。随机有限集（RFS）理论的发展促进了对MOT问题的数学上严格的处理，然后提出了基于RFS的贝叶斯滤波器的不同变体。然而，它们在实际ADAS和AD应用中的有效性仍然是一个悬而未决的问题。在本文中，它表明，最新的基于RFS的贝叶斯跟踪框架可以优于典型的随机向量的贝叶斯跟踪框架，通过系统的比较研究，传统的随机向量的贝叶斯过滤器与基于规则的启发式跟踪维护和基于RFS的贝叶斯过滤器的nuScenes验证数据集。针对基于激光雷达的MOT任务，提出了一种基于RFS的跟踪器，即基于全局最近邻的泊松多伯努利滤波器（GNN-PMB）。这个GNN-PMB跟踪器使用简单，并且在nuScenes数据集上取得了有竞争力的结果。具体而言，所提出的GNN-PMB跟踪器的性能优于大多数最先进的仅使用LiDAR的跟踪器以及基于LiDAR和相机融合的跟踪器，在提交时，在nuScenes 3D跟踪挑战排行榜上的所有仅使用LiDAR的跟踪器中排名$3^{rd}$。
2023-02-08 cs.CV cs.SY eess.SY
Towards Efficient Point Cloud Graph Neural Networks Through Architectural Simplification
University of Cambridge（剑桥大学）；Arm ML Research Lab（Arm机器学习研究实验室）
近年来，基于图神经网络（GNN）的方法已成为处理点云数据的流行策略，在各种任务上定期实现最先进的性能。到目前为止，研究界主要关注于提高模型的表现力，其次考虑如何设计可以在资源受限的移动设备（包括智能手机或混合现实耳机）上有效运行的模型。在这项工作中，我们通过观察这些GNN模型受到其第一层特征提取层的代表性能力的严重限制，朝着提高这些模型的效率迈出了一步。我们发现，这是可能的，从根本上简化这些模型，只要保留特征提取层与模型性能的最小退化;此外，我们发现，这是可能的，以提高整体性能ModelNet40和S3DIS通过改进的特征提取器的设计。对于DGCNN等模型中的图形层，我们的方法将内存消耗减少了20 $\times$，延迟减少了9.9 $\times$;总体而言，我们实现了高达4.5 $\times$的加速和72.5%的峰值内存减少。
2021-08-13 cs.CV cs.LG
Exploration of object recognition from 3D point cloud
Yunnan University（云南大学）
我们提出了我们的最新实验结果的物体识别从三维点云数据通过移动的汽车。
2017-07-05 cs.CV
3D Point Cloud Registration with Learning-based Matching Algorithm
Hokkaido University（北海道大学）；OMRON SINIC X Corp.（欧姆龙 SINIC X 公司）；Tohoku University（东北大学）
本文提出一种针对三维点云配准的学习型可微匹配模块，通过优化边级特征前向传播架构的内存效率并与特征提取器联合训练，在多个数据集上显著提升了现有方法的配准性能。
2023-12-04 cs.CV
SR-GNN: Spatial Relation-aware Graph Neural Network for Fine-Grained Image Categorization
Edge Hill University（边山大学）
在过去的几年中，基于深度卷积神经网络（CNN）的图像识别取得了重大进展。这主要是由于这种网络在从纹理和形状中挖掘有区别的对象姿态和部件信息方面的强大能力。这往往是不适当的细粒度视觉分类（FGVC），因为它表现出高的类内和低的类间方差，由于闭塞，变形，照明等，因此，一个富有表现力的特征表示描述全局结构信息是一个关键的对象/场景的特征。为此，我们提出了一种方法，有效地捕捉微妙的变化，通过聚合上下文感知功能，从最相关的图像区域和它们的重要性，在区分细粒度的类别，避免边界框和/或可区分的部分注释。我们的方法受到自注意和图神经网络（GNNs）方法的最新进展的启发，包括一个简单而有效的关系感知特征转换及其改进，使用上下文感知的注意力机制来提高转换后的特征在端到端学习过程中的可辨别性。我们的模型在八个基准数据集上进行了评估，这些数据集包括细粒度对象和人与对象的交互。它优于国家的最先进的方法，在识别精度的显着保证金。
2022-09-05 cs.AI cs.CV
GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with Multi-Feature Learning
Carnegie Mellon University（卡内基梅隆大学）
3D多目标跟踪（MOT）是自主系统的关键。最近的工作使用标准的检测跟踪流水线，其中首先对每个对象独立地执行特征提取，以便计算亲和矩阵。然后将亲和矩阵传递给匈牙利算法进行数据关联。这个标准管道的一个关键过程是学习不同对象的区别特征，以减少数据关联过程中的混淆。在这项工作中，我们提出了两种技术，以提高区分特征学习MOT：（1）而不是获得每个对象的特征独立，我们提出了一种新的特征交互机制，通过引入图神经网络。结果，一个对象的特征被告知其他对象的特征，使得对象特征可以倾向于具有相似特征的对象（即，可能具有相同ID的对象）并且偏离具有不同特征的对象（即，对象可能具有不同的ID），从而为每个对象提供更具鉴别力的特征;（2）在先前的工作中，我们提出了一种新的联合特征提取器，以同时从2D和3D空间学习外观和运动特征，而不是从2D或3D空间获得特征。由于来自不同模态的特征通常具有互补信息，因此联合特征可以比来自每个单独模态的特征更具区分性。为了确保联合特征提取器不严重依赖于一种模态，我们还提出了一种集成训练范式。通过广泛的评估，我们提出的方法在KITTI和nuScenes 3D MOT基准测试中达到了最先进的性能。我们的代码将在https://github.com/xinshuoweng/GNN3DMOT上提供
2020-06-12 cs.CV cs.LG eess.IV
Neural Laplacian Operator for 3D Point Clouds
Peking University（北京大学）；Wangxuan Institute of Computer Technology（王选计算机技术研究所）
本文提出NeLo，一种在点云KNN图上由GNN学习Laplacian算子的方法，通过探测函数模仿真值算子训练，显著降低误差并提升稀疏、复杂结构点云处理与泛化能力。
2024-09-10 cs.CV cs.GR
PCRP: Unsupervised Point Cloud Object Retrieval and Pose Estimation
University of Southern California（南加州大学）；Tencent America（腾讯美国）；Tencent Media Lab（腾讯媒体实验室）
提出了一种无监督的点云目标检索和姿态估计方法，称为PCRP。假设存在包含具有给定姿态定向信息的点云对象的图库点云集合。PCRP尝试将未知点云对象与图库集合中的对象进行配准，从而联合实现基于内容的对象检索和姿态估计，其中点云配准任务建立在无监督R-PointHop方法的增强版本上。在ModelNet 40数据集上的实验证明，与传统方法和基于学习的方法相比，PCRP具有优越的性能。
2022-02-16 cs.CV
PCQA-GRAPHPOINT: Efficients Deep-Based Graph Metric For Point Cloud Quality Assessment
Université d'Orléans（奥尔良大学）；Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；CentraleSupélec（中央理工-高等电力学院）
随着沉浸式技术的出现和人们对交互式几何格式的兴趣越来越大，3D点云（PC）已经成为显示3D视觉信息的一种有前途的解决方案和有效手段。除了沉浸式应用中的其他挑战之外，压缩3D内容的客观和主观质量评估仍然是悬而未决的问题，也是一个值得研究的领域。然而，大多数研究领域的努力忽略了点之间的局部几何结构表示。在本文中，我们克服了这一限制，引入了一种新的和有效的客观度量点云质量评估，通过学习本地固有的依赖关系，使用图神经网络（GNN）。为了评估我们的方法的性能，已经使用了两个著名的数据集。结果表明，我们的解决方案的有效性和可靠性相比，国家的最先进的指标。
2022-11-04 cs.CV eess.IV
Joint Object Detection and Multi-Object Tracking with Graph Neural Networks
Carnegie Mellon University（卡内基梅隆大学）
目标检测和数据关联是多目标跟踪系统中的关键部分。尽管这两个组件是相互依赖的，但现有的工作通常分别设计检测和数据关联模块，这些模块是用单独的目标训练的。因此，无法反向传播梯度并优化整个MOT系统，从而导致性能不佳。为了解决这个问题，最近的作品同时优化联合MOT框架下的检测和数据关联模块，这两个模块的性能都有所提高。在这项工作中，我们提出了一个新的联合MOT方法的图神经网络（GNNs）的基础上的实例。其关键思想是GNN可以在空间和时间域中对可变大小的对象之间的关系进行建模，这对于学习用于检测和数据关联的区分特征至关重要。通过在MOT 15/16/17/20数据集上的大量实验，我们证明了基于GNN的联合MOT方法的有效性，并在检测和MOT任务中表现出最先进的性能。我们的代码可在：https://github.com/yongxinw/GSDT
2021-04-03 cs.CV cs.LG cs.MA
SSP-GNN: Learning to Track via Bilevel Optimization
Applied Physics Laboratory（应用物理实验室）；University of Washington（华盛顿大学）；Paul G. Allen School of Computer Science（保罗·G·艾伦计算机科学学院）
SSP-GNN通过双层优化学习跟踪，利用图神经网络和 successive shortest paths 算法实现多目标跟踪。
2026-09-22 cs.CV cs.LG
mmGAT: Pose Estimation by Graph Attention with Mutual Features from mmWave Radar Point Cloud
mmGAT通过毫米波雷达点云的图注意力机制，提升姿态估计性能，实现MPJPE和PA-MPJPE的显著降低。
2026-03-09 cs.CV cs.IR
PAHD: Perception-Action based Human Decision Making using Explainable Graph Neural Networks on SAR Images
University of Southern California（南加州大学）；DEVCOM US Army Research Lab（DEVCOM美国陆军研究实验室）
本文提出基于GNN的SAR图像ATR框架，提供分类类别、特征贡献、置信度及误判概率等详细信息，辅助指挥官决策，在MSTAR数据集上准确率达99.2%。
2024-01-05 cs.CV cs.LG eess.IV
Learning Visual Dynamics Models of Rigid Objects using Relational Inductive Biases
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT）人类工程学与机器人研究所）；Stanford University（斯坦福大学）
赋予机器人类似人类的物理推理能力仍然具有挑战性。我们认为，现有的方法往往忽视时空关系，并通过使用图神经网络（GNNs），结合了关系归纳偏见，我们可以转向利用关系的学习过程。在这项工作中，我们学习行动条件的前向动力学模型的模拟操作任务，从视觉观察，涉及杂乱和不规则形状的物体。我们研究了两种GNN方法，并根据经验评估了它们推广到具有新颖和越来越多对象的场景的能力。第一种，基于图网络（GN）的方法，考虑了显式定义的边缘属性，它不仅始终表现不佳，我们修改了预测未来状态的自动编码器基线，我们的结果表明不同的边缘属性可以显着影响预测。因此，我们开发的自动预测，不依赖于明确定义的边缘属性。它优于基线和基于GN的模型。总的来说，我们的研究结果显示了基于GNN的方法对任务表示的敏感性，关系归纳偏差的有效性，并主张选择轻量级方法，这些方法隐含地推理关系，而不是将这些决定留给人类设计师。
2019-10-23 cs.CV cs.LG eess.IV
EMERGE: Resolution-Agnostic Point Cloud Generation with Equivariant Graph-Based Diffusion
National Technical University of Athens（雅典国立技术大学）
EMERGE提出首个完全SE(3)等变的图扩散点云生成模型，实现分辨率无关的零样本推理，在标准指标上达到最先进质量并显著加速训练收敛。
2026-10-21 cs.AI cs.CV cs.LG
EiX-GNN : Concept-level eigencentrality explainer for graph neural networks
University of Poitiers（普瓦捷大学）
目前，深度预测模型，特别是图神经网络，在关键应用中占有重要地位。在这种情况下，这些模型需要高度可解释或可解释的人类，在社会范围内，这种理解对于那些在需要解释的模型和背景中没有很强先验知识的人来说也是可行的。在文献中，解释是人类对现象的知识在解释者和被解释者之间的传递过程。我们提出了EiX-GNN（Eigencentrality eXplaner for Graph神经网络）一种新的强大的方法来解释图神经网络，该方法通过计算编码这种解释过程中潜在的社会解释者对解释者的依赖性。为了处理这种依赖关系，我们引入了被解释者概念相似性的概念，它允许解释者根据被解释者的背景或期望来调整解释平面。我们领导一个定性研究，以说明我们的解释概念的相似性概念在现实世界的数据以及定性研究，比较，根据客观指标建立在文献中，公平性和紧凑性，我们的方法相对于performingstate-of-the-art方法。事实证明，我们的方法在这两个方面都取得了很好的效果。
2023-03-10 cs.AI cs.CV cs.LG
Explainable Scene Understanding with Qualitative Representations and Graph Neural Networks
Simula Research Laboratory（西穆拉研究实验室）；Université Paris-Saclay（巴黎萨克雷大学）
针对自动驾驶场景理解中QXGs与浅层模型仅分析单关系链、忽略场景上下文的局限，提出处理完整图结构的GNN架构，在nuScenes数据集上实现更优性能，为可解释场景理解提供新方法。
2025-04-17 cs.AI cs.CV cs.RO
