크기 변동이 있는 깊은 그래프 매칭을 위한 그래프-컨텍스트 어텐션 네트워크

지난 10년간 그래프 매칭을 위한 딥러닝 기법은 점점 더 많은 관심을 받으며 급속도로 발전해 왔다. 컴퓨터 비전 분야에서 최근의 딥 그래프 매칭 기법들은 크기가 동일한 그래프 간의 매칭에서 뛰어난 성능을 보여주고 있으나, 예를 들어 가림 현상으로 인해 동일 카테고리의 이미지 내 키포인트 수가 달라지는 크기 변동이 있는 그래프 매칭 문제는 여전히 해결되지 않은 도전 과제로 남아 있다. 이를 극복하기 위해 우리는 그래프 매칭의 조합 최적화 문제를 정수선형계획법(Integer Linear Programming, ILP) 문제로 공식화하는 새로운 접근법을 제안한다. 이는 크기가 다른 그래프 간의 비교를 보다 유연하고 효율적으로 수행할 수 있도록 한다. 이후, 노드 특징의 구분 능력을 향상시키기 위해 그래프의 내재적 구조와 그래프 간 상호 정보를 동시에 캡처하는 새로운 그래프 컨텍스트 어텐션 네트워크(Graph-context Attention Network, GCAN)를 제안하고, 노드 대응 supervision을 활용해 이 ILP 문제를 해결하도록 학습시킨다. 또한, 제안된 GCAN 모델이 그래프 레벨의 매칭 문제를 효과적으로 해결할 수 있으며, 그래프 레벨의 매칭을 통해 자동으로 노드 간 유사도를 학습할 수 있음을 보여준다. 제안된 방법은 키포인트 매칭을 위한 세 가지 공개 데이터셋과 혈관 패턴에 대한 그래프 매칭 데이터셋에서 평가되었으며, 실험 결과는 기존 최고 수준의 알고리즘들에 비해 키포인트 매칭 및 그래프 레벨 매칭 작업에서 뛰어난 성능을 입증하였다.