要約
最近、視覚変換器（Vision Transformers, ViTs）は物体検出やセグメンテーションを越えて、視覚的マッチングの分野でも活用されている。しかし、ViTの元々のグリッド分割戦略はキーポイントの空間情報を無視するため、局所情報に対する感受性に制限がある。そこで本研究では、クロスアテンションモジュールとキーポイントに基づくセンタークロップ戦略を採用したQueryTrans（Query Transformer）を提案する。さらに、グラフアテンションモジュールを統合し、グラフ変換器ニューラルマッチングソルバーにより組み合わせ的性質を持つグラフマッチング（GM）問題を効果的に扱うTransformerベースのグラフマッチング手法GMTR（Graph Matching TRansformers）を構築した。標準的なGMベンチマークにおいて、GMTRは最先端（SOTA）フレームワークと比較して競争力のある性能を示した。具体的には、Pascal VOCでは83.6％の精度を達成し、SOTAフレームワークより0.9％高い結果を記録した。Spair-71kでは大きな潜在能力を示し、既存の多くの手法を上回った。一方、Pascal VOCにおいてQueryTransはNGMv2の精度を80.1％から83.3％へ、BBGMは79.0％から84.5％へ向上させた。Spair-71kでは、NGMv2が80.6％から82.5％、BBGMが82.1％から83.9％へ改善された。ソースコードは公開予定である。