.png){kind=icon}
返回
Deep Probabilistic Graph Matching
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2025.3578989.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大多数基于学习的图匹配算法通过放弃一个或多个匹配约束，并采用松弛分配求解器来求解二次分配问题（QAP），以获得次优对应关系。这种松弛实际上可能削弱原始的图匹配问题，进而损害匹配性能。在本文中，我们提出了一种基于深度学习的图匹配框架，该框架适用于原始QAP，且不牺牲匹配约束。具体而言，我们设计了一个亲和度-分配预测网络，以联合学习成对亲和度并估计节点分配，然后我们开发了一个受成对亲和度概率视角启发的可微分求解器。为了获得更好的匹配结果，该概率求解器以迭代方式细化估计的分配，以施加离散和一对一的匹配约束。所提出的方法以有监督的方式进行训练，并在与语义关键点对应、社交网络匹配和纯QAP实例相关的几个基准上进行评估。在所有实验中，它在所有基准上都表现出最先进的匹配性能。
Keyword:
Graph matching
probabilistic solver
graph neural networks
learnable affinity
learnable assignment
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏分享收藏
查看更多内容