TGraphX는 합성곱 신경망(CNN)과 그래프 신경망(GNN)을 통합하여 시각적 추론 작업을 향상시키는 새로운 심층 학습 패러다임을 제시합니다. 기존 CNN은 이미지에서 풍부한 공간적 특징을 추출하는 데 뛰어나지만 객체 간 관계를 모델링하는 고유한 기능이 부족합니다. 반대로 기존 GNN은 일반적으로 평평화된 노드 특징에 의존하여 중요한 공간적 세부 정보를 버립니다. TGraphX는 CNN을 사용하여 지역 공간 의미론을 유지하는 다차원 노드 특징(예: (3128128) 텐서)을 생성하여 이러한 한계를 극복합니다. 이러한 공간 인식 노드는 메시지 전달이 1*1 합성곱을 사용하여 수행되는 그래프에 참여하며, 이는 구조를 유지하면서 인접한 특징을 융합합니다. 또한, 잔차 연결을 사용하는 심층 CNN 집계기를 사용하여 융합된 메시지를 강력하게 개선하고 안정적인 그래디언트 흐름과 엔드투엔드 학습 가능성을 보장합니다. 본 연구의 접근 방식은 공간적 특징 추출과 관계적 추론 간의 간극을 해소할 뿐만 아니라 객체 탐지 개선과 앙상블 추론에서 상당한 개선을 보여줍니다.
