Subgraph Clustering and Atom Learning for Improved Image Classification

本研究提出了一种新颖的混合图像分类模型，称为Graph Sub-Graph Network（GSN），它融合了卷积神经网络（CNN）的特征提取和图神经网络（GNN）的结构建模优势。GSN采用k-means聚类将图节点分组成簇，便于创建子图。然后利用这些子图学习代表性的“原子”进行字典学习，从而识别稀疏的、可区分类别的特征。这种综合方法在医学成像等领域尤其相关，因为识别微妙的特征差异对于准确分类至关重要。为了评估我们提出的GSN的性能，我们在PascalVOC和HAM10000等基准数据集上进行了实验。结果表明，我们的模型在优化跨不同类别的字典配置方面非常有效，这有助于在医学分类任务中提高模型的效果。这种性能提升主要归因于CNN、GNN和图学习技术的集成，它们共同改善了处理具有有限标记示例的数据集的能力。具体而言，我们的实验表明，与传统的CNN方法相比，该模型在Pascal VOC和HAM10000等基准数据集上取得了更高的准确性。

本文旨在提出一种新的图像分类模型，结合卷积神经网络（CNN）和图神经网络（GNN）的优势，解决在医学成像等领域中识别微小特征差异的问题。

本文提出了一种名为Graph Sub-Graph Network（GSN）的模型，通过k-means聚类将图节点分组成子图，利用字典学习学习代表性的“原子”，从而识别稀疏、类别可区分的特征。通过结合CNN、GNN和图学习技术，优化字典配置，提高在有限标记样本数据集上的分类性能。

实验表明，GSN模型在Pascal VOC和HAM10000等基准数据集上的表现优于传统CNN方法。此外，本文还使用了开源数据集和代码，为医学图像分类等领域的研究提供了新思路和参考。

近期在这个领域中的相关研究包括《Graph Convolutional Networks for Brain Networks: State-of-the-art and Future Perspectives》和《Deep Learning for Medical Image Analysis: A Review》等。