摘要
近年来，深度学习在图匹配领域的研究受到越来越多关注，并取得了快速发展。尽管近年来的深度图匹配方法在计算机视觉领域中对同规模图之间的匹配任务已展现出优异性能，但针对规模不一的图匹配问题——即同一类别图像中的关键点数量因遮挡等因素而存在差异——仍是当前尚未解决且极具挑战性的难题。为此，本文首先将图匹配这一组合优化问题建模为整数线性规划（Integer Linear Programming, ILP）问题，该方法在处理不同规模图的比较时更具灵活性与高效性。随后，提出一种新型图上下文注意力网络（Graph-context Attention Network, GCAN），该网络能够联合捕捉图的内在结构特征与跨图信息，从而增强节点特征的判别能力，并在节点对应关系监督下训练以求解上述ILP问题。进一步实验表明，所提出的GCAN模型在解决图级别匹配问题方面具有高效性，且能够通过图级匹配任务自动学习节点间的相似性。在三个公开的关键点匹配数据集以及一个用于血管模式匹配的图匹配数据集上进行了实验验证，结果表明，该方法在关键点匹配与图级匹配任务上均显著优于现有的最先进算法。