基于亲和度正则化可撤销深度强化学习的离群点鲁棒图匹配
计算机视觉与模式识别
2023-03-02 v5 机器学习
摘要
图匹配（GM）一直是包括计算机视觉与模式识别在内的多个领域的基石。尽管近期取得了令人瞩目的进展，现有深度 GM 方法在应对实践中普遍存在的离群点时往往存在明显困难。我们提出了一种基于深度强化学习的方法 RGM，其顺序节点匹配机制天然契合针对离群点进行选择性内点匹配的策略。设计了一种可撤销动作框架，以提升智能体在复杂约束 GM 下的灵活性。此外，我们提出了一种二次近似技术，用于在存在离群点时对亲和度得分进行正则化。如此，当亲和度得分停止增长时，智能体可及时完成内点匹配，否则需要额外参数（即内点数量）以避免匹配离群点。本文聚焦于在最一般形式的 GM 下学习后端求解器：Lawler 的 QAP，其输入为亲和度矩阵。特别地，我们的方法也能提升使用该输入的现有 GM 方法。在多个真实世界数据集上的实验证明了其在准确性与鲁棒性方面的性能。
引用
@article{arxiv.2012.08950,
title = {Revocable Deep Reinforcement Learning with Affinity Regularization for Outlier-Robust Graph Matching},
author = {Chang Liu and Zetian Jiang and Runzhong Wang and Junchi Yan and Lingxiao Huang and Pinyan Lu},
journal= {arXiv preprint arXiv:2012.08950},
year = {2023}
}
备注
Proceedings of The Eleventh International Conference on Learning Representations (ICLR 2023)