초록
다중 그래프 매칭은 예측 레이블이 사이클 일관성 있는 매칭의 공간에 제약되는 중요한 구조적 예측 과제이다. 구조적 레이블 공간 위에서 예측자 학습에 있어 직접적인 손실 최소화는 효과적인 방법이지만, 매칭 예측 집합에 대해 특화된 솔버를 실행하는 것은 계산적으로 비현실적이기 때문에, 본 문제에 적용하기에는 효율적이지 못하다. 더불어, 사이클 일관성 있는 예측 집합에 대한 진짜 매칭(ground-truth matchings)에 대한 지도 신호가 존재하지 않는다. 본 연구의 핵심 통찰은 쌍별 매칭 예측에서 매칭 제약을 엄격히 강제하고, 사이클 일관성 제약은 가중치를 부여한 손실 항목으로 변환하여, 전역 예측과의 불일치 정도를 벌점 파라미터로 조절할 수 있도록 하는 것이다. 고전적인 벌점 방법을 영감으로 삼아, 본 방법이 이론적으로 사이클 일관성 제약을 만족하는 최적의 다중 그래프 매칭 해를 회복함을 입증하였다. 본 방법의 장점은 Pascal VOC 및 Willow ObjectClass 데이터셋에서 수행된 인기 있는 키포인트 매칭 작업에 대한 실험 결과를 통해 명확히 드러났다.