Lernen eingeschränkter strukturierter Räume mit Anwendung auf die mehrfache Graphenübereinstimmung

Die Multi-Graph-Zuordnung ist eine herausragende Aufgabe im Bereich strukturierter Vorhersage, bei der die vorhergesagten Etiketten auf den Raum zyklus-konsistenter Zuordnungen beschränkt sind. Obwohl die direkte Verlustminimierung eine effektive Methode zur Lernung von Prädiktoren über strukturierten Etikettenspaces darstellt, kann sie ineffizient auf das vorliegende Problem angewendet werden, da die Ausführung eines spezialisierten Löschers über Mengen von Zuordnungsvorhersagen rechnerisch prohibitiv ist. Darüber hinaus existiert keine Supervision bezüglich der Ground-Truth-Zuordnungen innerhalb von zyklus-konsistenten Vorhersagemengen. Unser zentrales Insight besteht darin, die Zuordnungsbeschränkungen in paarweisen Zuordnungsvorhersagen strikt zu erzwingen und die Zykluskonsistenzbedingungen weich durch die Formulierung als gewichtete Verlustterme zu berücksichtigen, sodass die Schwere einer Inkonsistenz mit globalen Vorhersagen durch einen Strafparameter gesteuert wird. Angetrieben durch die klassische Strafmethodik beweisen wir theoretisch, dass unsere Methode die optimale Lösung für die eingeschränkte Multi-Graph-Zuordnung korrekt wiederherstellt. Die Vorteile unseres Ansatzes werden in experimentellen Ergebnissen auf der gängigen Aufgabe der Eckpunkt-Zuordnung auf den Datensätzen Pascal VOC und Willow ObjectClass deutlich.