Die Anwendung von Deep Learning für die Graphenübereinstimmung hat in den letzten zehn Jahren zunehmend an Aufmerksamkeit gewonnen und sich rasch weiterentwickelt. Obwohl neuere Methoden des tiefen Lernens für Graphenübereinstimmung hervorragende Leistung bei der Übereinstimmung von Graphen gleicher Größe im Bereich der Computer Vision erzielt haben, bleibt das Problem der Übereinstimmung zwischen Graphen unterschiedlicher Größe – bei dem die Anzahl der Keypoints in Bildern derselben Kategorie aufgrund von Verdeckung variieren kann – weiterhin eine offene und herausfordernde Aufgabe. Um diesem Problem zu begegnen, schlagen wir zunächst vor, das kombinatorische Problem der Graphenübereinstimmung als ein ganzzahliges lineares Programmierungsproblem (Integer Linear Programming, ILP) zu formulieren, das flexibler und effizienter ist und die Vergleichbarkeit von Graphen unterschiedlicher Größe erleichtert. Anschließend stellen wir ein neuartiges Graph-Context-Attention-Netzwerk (GCAN) vor, das sowohl die inhärente Graphenstruktur als auch informationsreiche, zwischen-Graphen-Beziehungen gemeinsam erfasst, um die Diskriminierungsfähigkeit der Knotenmerkmale zu verbessern. Dieses Netzwerk wird unter Verwendung von Knotenkorrespondenz-Supervision trainiert, um das vorgeschlagene ILP-Problem zu lösen. Wir zeigen weiterhin, dass das GCAN-Modell effizient zur Lösung des graphenbasierten Übereinstimmungsproblems geeignet ist und in der Lage ist, die Knoten-zu-Knoten-Ähnlichkeit automatisch durch graphenbasierte Übereinstimmung zu lernen. Die vorgeschlagene Methode wird an drei öffentlichen Datensätzen für Keypoint-Übereinstimmung sowie einem Datensatz für die Graphenübereinstimmung von Blutgefäßen bewertet. Die experimentellen Ergebnisse belegen eine überlegene Leistung gegenüber bestehenden state-of-the-art-Algorithmen sowohl bei der Keypoint-Übereinstimmung als auch bei der graphenbasierten Übereinstimmungsaufgabe.