要約
ノードおよびペアワイズ制約下でのグラフマッチング問題は、組合せ最適化、機械学習、コンピュータビジョンなど多岐にわたる分野において基本的な課題であり、ノード間の関係性およびその近傍構造を適切に表現することが不可欠である。本研究では、単項およびペアワイズノード近傍を深層特徴抽出階層として表現するグラフマッチングプロセスのすべてのパラメータを、エンドツーエンドで学習可能とするモデルを提案する。このモデルの課題は、損失関数から始まり、マッチング問題を解く組合せ最適化層、そして特徴抽出階層に至るまで、一貫性と効率性を確保した勾配の伝播を実現するための行列計算層の定式化にある。PASCAL VOCキーポイント、Sintel、CUBといった難易度の高いデータセットを用いたコンピュータビジョン実験およびアブレーションスタディの結果、エンドツーエンドで最適化されたマッチングモデルが、他の問題に向けた特徴階層で事前学習されたモデルと比較して優れた性能を示すことが明らかになった。