GCN (Graph Convolutional Network) 圖卷積網絡解析
Graph Convolution Network圖卷積網絡（一）訓練運行與代碼概覽
Graph Convolution Network圖卷積網絡（二）數據加載與網絡結構定義
Graph Convolution Network圖卷積網絡（三）嵌入其他網絡結構
用GCN來做圖像處理，怎麼建立像素之間的邊，以及邊上的權重。
圖像處理（四）圖像分割(2)測地距離Geodesic圖割
原文：Geodesic Matting: A Framework for Fast Interactive Image and video segmentation and matting
算法原理：基於測地距離的圖像分割屬於一種圖論的分割算法。圖論分割算法：即把圖像上的每個像素點當做圖的頂點，圖的每個頂點有四個鄰接頂點（每個像素點有四個鄰接像素點，除邊界點），每兩個鄰接像素點用相應的邊連接，邊的長度與兩個像素點間的相似度有關（測地距離），而非採用簡單的歐式距離作爲邊長（相鄰像素點間的歐式距離爲1）
基於圖論的圖像分割
基於圖論的分割方法
此類方法把圖像分割問題與圖的最小割（min cut）問題相關聯。首先將圖像映射爲帶權無向圖G=<V，E>，圖中每個節點N∈V對應於圖像中的每個像素，每條邊∈E連接着一對相鄰的像素，邊的權值表示了相鄰像素之間在灰度、顏色或紋理方面的非負相似度。而對圖像的一個分割s就是對圖的一個剪切，被分割的每個區域C∈S對應着圖中的一個子圖。而分割的最優原則就是使劃分後的子圖在內部保持相似度最大，而子圖之間的相似度保持最小。基於圖論的分割方法的本質就是移除特定的邊，將圖劃分爲若干子圖從而實現分割。目前所瞭解到的基於圖論的方法有GraphCut、GrabCut和Random Walk等。
還有一篇2010年文獻《Geodesic graph cut for interactive image segmentation》結合了graph cut 算法和測地距離分割算法的優點，把兩種算法結合起來，可克服兩種算法存在的缺陷。
