Graph Matching with Bi-level Noisy Correspondence

要約

この論文では、グラフマッチング（GM）における新規で広く存在する問題、つまり、ノードレベルのノイズ対応（NNC）とエッジレベルのノイズ対応（ENC）を指すバイレベルノイズ対応（BNC）を研究します。
.
簡単に言えば、一方では、画像間の認識のしやすさと視点の違いにより、オフセットと混乱を伴ういくつかのキーポイントに不正確に注釈を付けることは避けられず、2 つの関連するノード、つまり NNC 間の不一致につながります。
一方、ノイズの多いノード間の対応は、エッジ間の対応をさらに汚染し、ENC につながります。
BNC チャレンジでは、運動量蒸留による対照的マッチングと呼ばれる新しい方法を提案します。
具体的には、提案された方法は、次のメリットを享受する堅牢な二次コントラスト損失を備えています。
ii) モメンタム ティーチャーによって推定された信頼度に基づいて、ノイズの多い課題に適応的にペナルティを課す。
3 つの実世界のデータセットに対する広範な実験により、12 の競合するベースラインと比較して、モデルの堅牢性が示されました。

要約(オリジナル)

In this paper, we study a novel and widely existing problem in graph matching (GM), namely, Bi-level Noisy Correspondence (BNC), which refers to node-level noisy correspondence (NNC) and edge-level noisy correspondence (ENC). In brief, on the one hand, due to the poor recognizability and viewpoint differences between images, it is inevitable to inaccurately annotate some keypoints with offset and confusion, leading to the mismatch between two associated nodes, i.e., NNC. On the other hand, the noisy node-to-node correspondence will further contaminate the edge-to-edge correspondence, thus leading to ENC. For the BNC challenge, we propose a novel method termed Contrastive Matching with Momentum Distillation. Specifically, the proposed method is with a robust quadratic contrastive loss which enjoys the following merits: i) better exploring the node-to-node and edge-to-edge correlations through a GM customized quadratic contrastive learning paradigm; ii) adaptively penalizing the noisy assignments based on the confidence estimated by the momentum teacher. Extensive experiments on three real-world datasets show the robustness of our model compared with 12 competitive baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google