Graduierte Zuordnung für gemeinsame Multi-Graph-Zuordnung und -Clustering mit Anwendung auf das unlabeled Lernen von Graph-Zuordnungsnetzwerken

Diese Arbeit betrachtet das Problem der gemeinsamen Zuordnung und Clusterung mehrerer Graphen, die verschiedenen Gruppen angehören, ein Szenario, das in vielen realen Anwendungen natürlicherweise auftritt. Sowohl die Graphen-Zuordnung als auch die Clusterung sind herausfordernde (NP-harte) Aufgaben, und eine gemeinsame Lösung ist aufgrund der natürlichen Verbindung beider Aufgaben besonders attraktiv. In diesem Beitrag setzen wir auf ein graduierter-Zuordnungsverfahren zur weichen Zuordnung und Clusterung über mehrere Iterationen, wobei die Zweiwege-Beschränkung und die Cluster-Vertrauenswürdigkeit jeweils durch zwei getrennte Abkühlparameter gesteuert werden. Unser Verfahren lässt sich zudem für end-to-end-Lernverfahren nutzen, bei denen die Verlustfunktion durch die Kreuzentropie zwischen zwei parallelen Zuordnungs-Pipelines definiert ist; dadurch können die Keypoint-Feature-Extraktions-CNNs ohne Ground-Truth-Supervision gelernt werden. Experimentelle Ergebnisse auf realen Benchmarks zeigen, dass unsere Methode lernfreie Algorithmen übertrifft und gegenüber zwei-Graph-basierten überwachten Graphen-Zuordnungsansätzen konkurrenzfähig abschneidet.