要約
視覚画像における高精度な深層グラフマッチング（GM）の最近の進展にもかかわらず、深層GMモデルのロバスト性についてはほとんど研究がなされておらず、これは現代の深層ネットワークにおいて重要な問題として浮き彫りになっている。画像認識からグラフ学習タスクに至るまで、その影響は広範である。本研究では、キーポイントの局所位置および隠れグラフに対する敵対的攻撃が、深層GMモデルの精度を著しく低下させることを初めて示した。これに伴い、我々は「外観と構造に配慮したロバストグラフマッチング（ASAR-GM）」という防御戦略を提案する。具体的には、実質的な敵対的訓練（AT）とは異なり、グラフ間で外観が類似しているが混乱を引き起こしやすいキーポイントに対して、外観に配慮した正則化項（AAR）を導入した。実験結果から、ASAR-GMはATよりも優れたロバスト性を実現していることが明らかになった。さらに、本研究で提案する局所性攻撃は、データ拡張技術としても有効であり、清浄なテストデータセットにおいても最先端のGMモデルの性能を向上させることを示した。コードは https://github.com/Thinklab-SJTU/RobustMatch で公開されている。