小白科研笔记：简析论文DeepGCNs: Can GCNs Go as Deep as CNNs

1. 前言

这篇博客主要分析一篇ICCV 2019的一篇深度图卷积网络性能的文章DeepGCNs: Can GCNs Go as Deep as CNNs。这篇文章的核心创新点是把残差连接（Residual Connection）和全连接方式（Dense Connection）从二维卷积迁移到图卷积中，同时把空洞卷积（Dilated Convolution）概念延伸至图卷积中。这篇文章其实比较通俗易懂，咱就直接讲解核心点。

2. 创新点

2.1 图神经网路的残差连接

作者所做的所有实验都是关于室内场景下点云语义分割的。语义分割的整体网络如下面的左图所示，分为Backbone Block，Fusion Block，和Prediction Block三个部分组成。无论是图神经网络的普通连接形式，残差连接形式，亦或是全连接形式，都是在Backbone Block上做改进。残差连接的图神经网络（ResGCN）如下图所示，形式上和二维卷积残差连接是一样的。

图1：图卷积网络的残差连接和全连接示意图

2.2 图神经网络的全连接

全连接的图神经网络（DenseGCN）如上图右图所示，形式上和二维卷积全连接是一样的。

2.3 图神经网络的空洞卷积

空洞卷积的概念来自二维卷积。这篇论文的作者做了推广，如下图所示。二维卷积的空洞卷积非常好理解。扩展到图卷积中，“空洞”的概念就跟近邻点距离有关系。拿KNN近邻图举例，给目标点周围的点按照距离远近排好顺序。如果是普通图卷积，就取距离顺序为1,2,3,4（间距为1）的近邻点计算目标点的特征。如果是空洞卷积，可能取距离顺序为1,3,5,7（间距为2），或者1,5,9,13（间距为4）的近邻点计算目标点的特征。

图2：二维卷积和图卷积的空洞卷积示意图

2.4 实验结果

作者做了一个非常详尽的实验，如下所示。可以学习一下作者设计实验的思路。编号为ResGCN-28W的图卷积网路取得最优效果。可见采用残差连接的，动态边的，适当深度的，大宽度的图卷积网络有最好的效果。

图3：实验结果（Dynamic指动态边，可以参考EdgeConv论文）

3. 结束语

这篇文章结构和内容都很简单，实验也只是用了一个数据集，但是它的思想还是很不错的。