目录1 .序言2.GCN中的耦合集合3.CNN中的耦合解除4 .联系人
1 .序言
最近读了论文，看到很多论文都提到了结合和解结合的概念，真的不明白，所以详细地看了一下。 以下是我的理解。 如果错了的话请指出来。 本文参考论文：
Cheng K，Zhang Y，Cao C，et al.decouplinggcnwithdropgraphmoduleforskeleton-basedactionrecognition [ c ]//计算机视觉化August 2328，2020，Proceedings，part XXIV 16.springerinternationalpublishing，2020: 536-553。
2.GCN中耦合集GCN的过程理解可以参考我的博客清晰地图解，一张图可以看出图的卷积GCN，时空图的卷积ST-GCN； 在GCN中，可以看出，特征之间的计算已经由相邻矩阵实现，并且所有信道使用相同的相邻矩阵，即，对所有特征使用相同模式将其添加到一个节点中。 如下图所示，绿色块表示相邻矩阵，蓝色表示输入特征，并且如果将特征分解为不同的信道，则每个信道使用相同的相邻矩阵。 这被称为GCN的耦合凝聚(coupling aggregation)
论文原文：特征x的所有通道共享一个相邻矩阵a (用相同的颜色绘制)，这意味着所有通道共享相同的集成内核。 这称为耦合集合。 目前基于GCN的骨骼动作识别方法均采用偶联聚合，如ST-GCN、非局部自适应GCN、AS-GCN、定向- gnn。 这些统称为键合图卷积。
3.CNN中的解耦首先要理解一个逻辑。 用5个33的卷积内核对一个3通道的RGB图像进行卷绕。 卷积的参数为5333，即5个卷积内核、3个原始通道和33的卷积参数。 这说明如下：对于CNN而言，每个通道的卷积核参数是不一样的验证一下：
可见，对于两个信道的输入(为了使维数与后面的33卷积参数分开特别地变为2 )，卷积内核的参数是5233
在CNN的情形下，卷积内核的参数对应于原始邻居矩阵，并且表示特征是如何聚合的。 在中，每个通道的输入图像都有不同的卷积参数，最后叠加在一起。 如下图所示，不同颜色的通道参数表示不一致。 c是输入通道，C ' C^{'} C '是输出通道，即卷积核心的数量。 每个通道都有不同的参数，称为解耦聚合(decoupling aggregation)
论文原文： CNN是GCN的灵感来源，未采用偶联聚合。 如上图所示，不同通道有独立的空间凝聚核，用不同的颜色显示。 这种机理称为解耦聚合。 去耦聚集机制可以大大提高空间聚集能力，这对CNN的成功至关重要。
本文认为GCN仅使用相同的邻接矩阵不利于模型学习，并以CNN的解耦为提示修改了GCN的邻接矩阵。
如下图所示。
4 .如果联系方式有问题，欢迎联系。 1759412770@qq.com，我会尽量发邮件