要約
過去10年間、グラフマッチングにおける深層学習は注目を集め、急速に発展してきた。コンピュータビジョン分野において、最近の深層グラフマッチング手法はサイズが等しいグラフ間のマッチングにおいて優れた性能を示しているが、遮蔽（occlusion）などの要因により同一カテゴリの画像間でキーポイント数が異なる「サイズが異なるグラフマッチング問題」は、依然として未解決であり、大きな課題である。この問題に対処するため、本研究ではまず、グラフマッチングという組合せ最適化問題を整数線形計画問題（Integer Linear Programming, ILP）として定式化することを提案する。このアプローチは、サイズが異なるグラフ同士の比較をより柔軟かつ効率的に行うことを可能にする。さらに、ノード特徴の判別力を向上させるために、グラフの内在構造とグラフ間の相互情報の両方を統合的に捉える新しい「グラフコンテキスト注意ネットワーク（Graph-context Attention Network, GCAN）」を提案し、ノード対応の教師信号を用いてこのILP問題を解くための学習を実施する。本研究では、提案するGCANモデルがグラフレベルのマッチング問題に対して効率的に対処でき、グラフレベルのマッチングを通じて自動的にノード間の類似性を学習可能であることを示す。提案手法は、3つの公開キーポイントマッチングデータセットおよび1つの血管パターンのグラフマッチングデータセットで評価され、実験結果から、既存の最先端アルゴリズムに比べてキーポイントマッチングおよびグラフレベルマッチングの両タスクにおいて優れた性能を発揮することが確認された。