Universe Points Representation Learning for Partial Multi-Graph Matching

要約

自然界からの多くの課題は、グラフ マッチング問題として定式化できます。
以前の深層学習ベースの方法では、主に完全な 2 つのグラフのマッチング設定が考慮されていました。
この作業では、マルチグラフサイクルの一貫性を保証する、より一般的な部分マッチング問題を研究します。
グラフの深層学習における最近の進歩に基づいて、オブジェクトから宇宙への定式化を使用し、抽象的な宇宙ポイントの潜在表現を学習する、部分的なマルチグラフ マッチングのための新しいデータ駆動型手法 (URL) を提案します。
提案されたアプローチは、Pascal VOC、CUB、および Willow データセットで評価されたセマンティック キーポイント マッチング問題の最先端を進めます。
さらに、合成グラフ マッチング データセットでの制御実験のセットは、多数のノードを持つグラフへのこの方法のスケーラビリティと、高い部分性への堅牢性を示しています。

要約(オリジナル)

Many challenges from natural world can be formulated as a graph matching problem. Previous deep learning-based methods mainly consider a full two-graph matching setting. In this work, we study the more general partial matching problem with multi-graph cycle consistency guarantees. Building on a recent progress in deep learning on graphs, we propose a novel data-driven method (URL) for partial multi-graph matching, which uses an object-to-universe formulation and learns latent representations of abstract universe points. The proposed approach advances the state of the art in semantic keypoint matching problem, evaluated on Pascal VOC, CUB, and Willow datasets. Moreover, the set of controlled experiments on a synthetic graph matching dataset demonstrates the scalability of our method to graphs with large number of nodes and its robustness to high partiality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google