GAMnet: تطابق الميزات المتينة من خلال شبكة التطابق المعتمدة على الرسم البياني المضاد
{Bin Luo Jin Tang Ziyan Zhang Pengfei Sun Bo Jiang}
الملخص
في الآونة الأخيرة، اكتسبت أساليب التوافق الرسومي العميق (GM) اهتمامًا متزايدًا. تقوم هذه الأساليب بدمج تضمين عقد الرسوم البيانية، وتعلم التقارب للعقد والحواف، وحل التوافق النهائي معًا بطريقة نهائية-إلى-نهائية. أما المشكلة الرئيسية في مشكلة التوافق الرسومي العميق، فهي كيفية إنشاء تضمينات متسقة للعقد لكل من الرسم البياني المصدر والرسم البياني الهدف، بحيث تُعدّ أفضل ما يمكن لمهام التوافق الرسومي. بالإضافة إلى ذلك، يُعدّ من الصعوبات الكبيرة دمج قيود التوافق الواحد-إلى-واحد المنفصلة داخل مُحلّل التوافق القابل للتفاضل في الشبكة العميقة للتوافق. ولحل هذه المشكلات، نقترح شبكة توافق رسمية مُضادة (GAMnet) جديدة لمشكلة التوافق الرسومي. تدمج GAMnet تضمين الرسم البياني المُضاد والتوافق الرسومي معًا في شبكة موحدة ونهائية-إلى-نهائية، بهدف تعلم تضمينات متسقة توزيعيًا وثابتة النطاق لمهام التوافق الرسومي بشكل تلقائي. كما تستفيد GAMnet من تحسين التوافق الرسومي النادر كمُحلّل للتوافق، وهو قابل للتفاضل ويمكنه أيضًا دمج قيود التوافق الواحد-إلى-واحد المنفصلة تقريبًا بشكل طبيعي في التنبؤ النهائي بالتوافق. أظهرت النتائج التجريبية على ثلاث معايير عامة فعالية وفوائد الشبكة المقترحة GAMnet.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| graph-matching-on-pascal-voc | GAMnet | matching accuracy: 0.807 |
| graph-matching-on-willow-object-class | GAMnet | matching accuracy: 0.9662 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.