DeepGCNs: GCNはCNNのように深くなれるか？

畳み込みニューラルネットワーク（CNN）は、さまざまな分野で印象的なパフォーマンスを達成しています。その成功は、非常に深いCNNモデルが信頼性を持って訓練できるようになったことで大きく後押しされました。利点がある一方で、CNNは非ユークリッドデータの問題に適切に対処することができません。この課題を克服するために、グラフ畳み込みネットワーク（GCN）は非ユークリッドデータを表現するためのグラフを構築し、CNNの概念を借りて訓練に応用します。GCNは有望な結果を示していますが、通常は消失勾配問題のために非常に浅いモデルに制限されます。その結果、最先端のGCNモデルのほとんどは、3層または4層を超えません。本研究では、非常に深いGCNを成功裏に訓練する新しい方法を提案します。これは、CNNからの残差/密結合や拡張畳み込みの概念を借り、それをGCNアーキテクチャに適応させることで実現します。広範な実験により、これらの深いGCNフレームワークのポジティブな効果が示されました。最後に、これらの新しい概念を使用して、非常に深い56層のGCNを構築し、ポイントクラウドセマンティックセグメンテーションのタスクにおいて、パフォーマンスを大幅に向上させること（最先端の+3.7% mIoU）を示します。この研究は、GCNに基づく研究の進展に向けた多くの機会を開くため、コミュニティに大きな利益をもたらすと信じています。