可学习图匹配：一种数据关联的实用范式
计算机视觉与模式识别
2024-02-07 v2
摘要
数据关联是许多计算机视觉任务的核心，例如多目标跟踪、图像匹配和点云配准。然而，当前数据关联方案存在若干缺陷：大多忽略视图内上下文信息；此外，它们或以端到端方式训练深度关联模型而难以利用基于优化的分配方法优势，或仅使用现成神经网络提取特征。本文中，我们提出一种通用可学习图匹配方法来解决这些问题。具体而言，我们将视图内关系建模为无向图，于是数据关联转化为图间的通用图匹配问题。进而，为使优化端到端可微，我们将原始图匹配问题松弛为连续二次规划，并将训练嵌入带有 KKT 条件与隐函数定理的深度图神经网络。在 MOT 任务中，我们的方法在多个 MOT 数据集上取得 SOTA 性能。对于图像匹配，我们的方法在流行室内数据集 ScanNet 上优于 SOTA 方法。对于点云配准，我们也取得具竞争力的结果。代码将发布于 https://github.com/jiaweihe1996/GMTracker。
引用
@article{arxiv.2303.15414,
title = {Learnable Graph Matching: A Practical Paradigm for Data Association},
author = {Jiawei He and Zehao Huang and Naiyan Wang and Zhaoxiang Zhang},
journal= {arXiv preprint arXiv:2303.15414},
year = {2024}
}
备注
Accepted by TPAMI 2024. arXiv admin note: substantial text overlap with arXiv:2103.16178