面向部分多图匹配的宇宙点表示学习
计算机视觉与模式识别
2022-12-08 v2 人工智能
摘要
自然世界中的许多挑战可表述为图匹配问题。先前基于深度学习的方法主要考虑完整的二图匹配设定。本工作中，我们研究更具一般性的具有多图循环一致性保证的部分匹配问题。基于图深度学习的最新进展，我们提出一种新颖的数据驱动方法（URL）用于部分多图匹配，其采用对象到宇宙的构造并学习抽象宇宙点的潜在表示。所提方法在语义关键点匹配问题上推进了当前最优水平，在Pascal VOC、CUB和Willow数据集上进行了评估。此外，在合成图匹配数据集上的一组对照实验证明了我们的方法对具有大量节点图的扩展性以及对高部分性的鲁棒性。
引用
@article{arxiv.2212.00780,
title = {Universe Points Representation Learning for Partial Multi-Graph Matching},
author = {Zhakshylyk Nurlanov and Frank R. Schmidt and Florian Bernard},
journal= {arXiv preprint arXiv:2212.00780},
year = {2022}
}
备注
To appear in AAAI 2023