Graph Neural Networks for Image Classification: An Empirical Comparison with Convolutional Networks

Hedvika Rychnovská

Bakalářská práce

Grafové neuronové sítě pro klasifikaci obrazu: empirické porovnání s konvolučními sítěmi

Anotace:

Klasifikace obrazu patří mezi základní úlohy v odvětví počítačového vidění. Jedním z nejčastějších způsobů řešení této úlohy je využití konvolučních neuronových sítí (CNN), které jsou navrženy pro data strukturovatelná do mřížky. Grafové neuronové sítě (GNN), navrženy pro grafová data, jsou považovány za generalizaci CNN a nabízejí alternativní přístup řešení této úlohy pomocí převodu obrázků na grafy. Cílem této práce je poskytnout přehled o grafových neuronových sítí se zaměřením na jejich využití pro úlohu klasifikace obrazu, vybrat vhodné datasety a architektury a porovnat CNN a GNN v této úloze. Obrázky jsou převedeny na superpixelové grafy pomocí algoritmu SLIC a metody Region Adjacency Graph (RAG) a vybrané modely GNN zahrnují GCN a GraphSAGE a dvě vlastní CNN architektury. Experimenty se zaměřují na čtyři aspekty: správnost, poměr mezi správností a výpočetními náklady, vliv počtu superpixelových segmentů, a klasifikaci na úrovni tříd. Výsledky ukazují, že CNN dosahují obecně vyšší správnosti, zatímco GNN dosahují porovnatelných hodnot pouze u jednodušších obrázků. Nicméně GNN jsou v některých případech v rámci poměru mezi správností a výpočetními náklady efektivnější. Počet superpixelových segmentů použitých při tvorbě grafu má určitý vliv na výkon modelů. Celkově práce poskytuje teoretický základ a empirické porovnání CNN a GNN na obrazových datech dle několika hodnotících kritérií.

Abstract:

Image classification is one of the core tasks in computer vision and is commonly addressed using Convolutional Neural Networks (CNNs), which are designed for grid-like data. Graph Neural Networks (GNNs), designed for graph data, offer an alternative approach by representing images as graphs and can be considered as a generalization of CNNs. The goal of this thesis is to review GNNs with a focus on their use in image classification, to select suitable datasets and architectures, and to compare CNNs and GNNs on this task. Images are converted into superpixel graphs using the SLIC algorithm and the Region Adjacency Graph (RAG) method, and the selected models include GCN and GraphSAGE for the GNNs and two custom CNN architectures. The experiments address four aspects: accuracy, trade-off between accuracy and computational cost, the effect of the number of superpixel segments, and per-class classification. The results show that CNNs achieve higher accuracy overall, while GNNs perform comparably only on simpler images but offer advantages in certain efficiency-related cases. The number of superpixel segments used in graph construction was shown to influence their performance. Overall, the thesis provides a theoretical background and an empirical comparison of CNNs and GNNs on image data across several evaluation criteria.

Klíčová slova

grafové neuronové sítě, superpixely, klasifikace obrazu, Graph Convolutional Network, GraphSAGE, umělé neuronové sítě, hluboké učení, konvoluční neuronové sítě

Keywords

convolutional neural networks, image classification, Graph Convolutional Network, GraphSAGE, deep learning, artificial neural networks, graph neural networks, superpixels

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 7. 12. 2025

Obhajoba závěrečné práce

• Obhajoba proběhla 29. 1. 2026
• Vedoucí: Ondřej Zamazal
• Oponent: Miroslav Vacura

Vysoká škola ekonomická v Praze

Bakalářský studijní program:
Data Analytics