شبكات الانتباه ذات السياق الرسومي للتطابق الرسومي العميق بحجم متغير

لقد لاقت التعلم العميق لمشكلة تطابق الرسوم البيانية اهتمامًا متزايدًا وتطورت بسرعة خلال العقد الماضي. وعلى الرغم من أن الطرق الحديثة للتعلم العميق في تطابق الرسوم البيانية أظهرت أداءً متميزًا في تطابق الرسوم البيانية ذات الحجم نفسه في مجال الرؤية الحاسوبية، إلا أن مشكلة تطابق الرسوم البيانية ذات الأحجام المختلفة، حيث يمكن أن تختلف عدد النقاط المميزة في الصور من نفس الفئة بسبب التظليل، تظل مشكلة مفتوحة وصعبة. ولحل هذه المشكلة، نقترح أولًا صياغة مشكلة التطابق التوافقي للرسوم البيانية كمشكلة برمجة خطية صحيحة (ILP)، والتي تُعد أكثر مرونة وكفاءة لتمكين مقارنة الرسوم البيانية ذات الأحجام المختلفة. ثم نقترح شبكة انتباه سياقية للرسم البياني (GCAN) جديدة، والتي تجمع بين التقاط البنية الداخلية للرسم البياني والمعلومات عبر الرسوم البيانية بهدف تحسين تمييز خصائص العقد. وتُدرّس هذه الشبكة لحل مشكلة ILP هذه باستخدام مراقبة التطابق بين العقد. ونُظهر أيضًا أن نموذج GCAN المقترح فعّال في حل مشكلة التطابق على مستوى الرسم البياني، ويمكنه تعلّم التشابه بين العقد تلقائيًا من خلال التطابق على مستوى الرسم البياني. وقد تم تقييم النهج المقترح على ثلاث مجموعات بيانات عامة لتطابق النقاط المميزة، وواحدة من مجموعات البيانات الخاصة بتطابق الرسوم البيانية لأنماط الأوعية الدموية، وقد أظهرت النتائج التجريبية أداءً متفوقًا مقارنة بالخوارزميات الحالية المتميزة في مهام تطابق النقاط وتطابق الرسوم البيانية على مستوى الرسم.