論文の概要: Deep Probabilistic Graph Matching
- arxiv url: http://arxiv.org/abs/2201.01603v1
- Date: Wed, 5 Jan 2022 13:37:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-06 14:21:10.768877
- Title: Deep Probabilistic Graph Matching
- Title(参考訳): 深い確率的グラフマッチング
- Authors: He Liu, Tao Wang, Yidong Li, Congyan Lang, Songhe Feng, and Haibin
Ling
- Abstract要約: 本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。
提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
- 参考スコア(独自算出の注目度): 72.6690550634166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most previous learning-based graph matching algorithms solve the
\textit{quadratic assignment problem} (QAP) by dropping one or more of the
matching constraints and adopting a relaxed assignment solver to obtain
sub-optimal correspondences. Such relaxation may actually weaken the original
graph matching problem, and in turn hurt the matching performance. In this
paper we propose a deep learning-based graph matching framework that works for
the original QAP without compromising on the matching constraints. In
particular, we design an affinity-assignment prediction network to jointly
learn the pairwise affinity and estimate the node assignments, and we then
develop a differentiable solver inspired by the probabilistic perspective of
the pairwise affinities. Aiming to obtain better matching results, the
probabilistic solver refines the estimated assignments in an iterative manner
to impose both discrete and one-to-one matching constraints. The proposed
method is evaluated on three popularly tested benchmarks (Pascal VOC, Willow
Object and SPair-71k), and it outperforms all previous state-of-the-arts on all
benchmarks.
- Abstract(参考訳): 従来の学習ベースのグラフマッチングアルゴリズムは、マッチング制約の1つ以上を解き、緩和された代入解法を採用して、準最適対応を求めることで、 \textit{quadratic assignment problem} (QAP) を解く。
このような緩和は、実際のグラフマッチング問題を弱め、結果としてマッチング性能を損なう可能性がある。
本稿では,マッチング制約を補うことなく,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。
特に,親和性の予測ネットワークを設計し,相似親和性の学習とノード割り当ての推定を行い,その相似親和性の確率論的視点に着想を得た相似解法を開発する。
より良いマッチング結果を得るために、確率的ソルバは、推定された割り当てを反復的に洗練し、離散的および一対一のマッチング制約を課す。
提案手法は,3つのベンチマーク (pascal voc, willow object, spair-71k) で評価され,すべてのベンチマークで従来より優れている。
関連論文リスト
- Ranking from Pairwise Comparisons in General Graphs and Graphs with
Locality [3.1219977244201056]
本稿では,古典的Bradley-Terry-Luceモデル(BTL)のペア比較によるランキング問題について検討する。
十分に多くのサンプルを用いて,Cram'er-Rao の下界と一致するエントリワイズ推定誤差が得られることを示す。
我々は、最も広いサンプルを持つ体制においても、同様の保証を確実に達成できる分割対コンカマーのアルゴリズムについて検討する。
論文 参考訳(メタデータ) (2023-04-13T21:14:30Z) - On graph-based reentrancy-free semantic parsing [5.228711636020665]
本論文では,2つの課題を解消する意味解析のためのグラフベースの手法を提案する。
MAP推論と潜在タグアンカリング(弱教師付き学習が要求される)の両方がNPハード問題であることを示す。
本稿では,制約平滑化と条件勾配に基づく2つの最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-15T14:14:09Z) - Reinforcement Learning Based Query Vertex Ordering Model for Subgraph
Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。
マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。
本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文 参考訳(メタデータ) (2022-01-25T00:10:03Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳(メタデータ) (2021-09-01T08:24:02Z) - Deep graph matching meets mixed-integer linear programming: Relax at
your own risk ? [8.05409526074409]
グラフマッチング問題のMILP定式化を統合する手法を提案する。
同様のアプローチは、グラフマッチング解決器の最適保証と品質レベルの導入によって導かれる。
実験により,いくつかの理論的知見が得られ,深部グラフマッチング手法の方向性を導出する。
論文 参考訳(メタデータ) (2021-08-01T08:29:55Z) - Deep Graph Matching under Quadratic Constraint [30.72996618021077]
深部グラフマッチングフレームワークに組み込まれたtextbfquadratic 制約として,ペアワイズグラフ構造を明示的に定式化することを提案する。
二次制約はグラフ間の対構造的な相違を最小限に抑え、抽出したCNN特徴のみを用いて得られるあいまいさを軽減できる。
より正確かつ適切な監視を行うために、クラス不均衡に対する適切に設計された偽マッチング損失が提案され、過度に適合しない偽陰性や偽陽性をよりよく罰できる。
論文 参考訳(メタデータ) (2021-03-11T12:51:12Z) - Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。
GMのための強化学習ソルバを提案する。
rgmはペアワイズグラフ間のノード対応を求める。
本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文 参考訳(メタデータ) (2020-12-16T13:48:48Z) - Ranking a set of objects: a graph based least-square approach [70.7866286425868]
同一労働者の群集によるノイズの多いペアワイズ比較から始まる$N$オブジェクトのランク付けの問題について考察する。
品質評価のために,最小二乗内在的最適化基準に依存する非適応的ランキングアルゴリズムのクラスを提案する。
論文 参考訳(メタデータ) (2020-02-26T16:19:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。