Les réseaux de neurones convolutifs connaissent actuellement un succès croissant dans divers problèmes de reconnaissance de motifs. Ces modèles d’apprentissage ont été initialement conçus pour traiter des données vectorielles telles que les images, mais leur extension aux données non vectorielles et semi-structurées (notamment les graphes de tailles et de topologies variables) reste un défi majeur, bien que quelques solutions prometteuses émergent actuellement. Dans cet article, nous proposons MLGCN, un nouveau réseau de convolution de graphes spectral à multi-laplaciens. La contribution principale de cette méthode réside dans un nouveau principe de conception qui apprend les laplaciens de graphe comme des combinaisons convexes d’autres laplaciens élémentaires – chacun étant dédié à une topologie particulière des graphes d’entrée. Nous introduisons également un nouvel opérateur de pooling sur les graphes, fonctionnant en deux étapes : une expansion de nœuds dépendante du contexte, suivie d’un pooling moyen global ; la force de ce processus à deux étapes réside dans sa capacité à préserver le pouvoir discriminant des nœuds tout en assurant l’invariance par permutation. Des expériences menées sur les jeux de données SBU et UCF-101 démontrent la validité de notre méthode pour la tâche difficile de reconnaissance d’actions.Complément : https://bit.ly/2ku2lYv