多图偏配网络的学习宇宙模型
通过使用对象到宇宙的表述和学习抽象宇宙点的潜在表示,在多图循环一致性保证的情况下,基于图上深度学习的最新进展,提出了一种新的数据驱动方法用于部分多图匹配。该方法在 Pascal VOC、CUB 和 Willow 数据库上得到了验证,并在用合成图匹配数据集进行的受控实验集上证明了我们的方法对具有大量节点的图的可伸缩性和对高度偏差的鲁棒性。
Dec, 2022
本研究提出了一种多层图匹配网络框架,其中包含节点 - 图匹配网络和连体图神经网络,可在纵横交错的多层交互中精确地计算图状对象之间的相似度,并证明其在图分类和回归任务中的有效性及稳健性。
Jul, 2020
提出了一种新的 “图学习 - 匹配” 网络(GLMNet)方法,它将图学习集成到图匹配中,采用 Laplacian sharpening 卷积模块提取节点嵌入特征,并通过设计新的约束正则化损失来优化图匹配,实验结果表明该方法有效,具有一些主要模块的优势。
Nov, 2019
该研究设计了端到端的可微分深度网络,以学习图匹配的亲和力,并采用排列损失和图嵌入作为优化目标函数,具有在现实世界应用中广泛的适用性和超越现有状态的性能。
Apr, 2019
我们提出了 UniGraph 框架,通过使用文本属性图(TAGs)来训练图基础模型,实现对未见过的图和任务在不同领域中的泛化能力。我们的方法采用了级联的语言模型(LMs)和图神经网络(GNNs)构建的骨干网络以及基于掩码图建模(MGM)的自我监督训练目标,并引入大型语言模型(LLMs)进行图指令调优,进而使模型能够进行零样本预测。在各种图学习任务和领域的全面实验证明了我们模型在未见过的图的自我监督表示学习、少样本上下文转移和零样本转移方面的有效性,甚至超越或匹配了在目标数据集上进行受监督训练的 GNNs 的性能。
Feb, 2024
本文提出了两个关键性贡献:首先是演示了图神经网络如何训练并嵌入向量空间,以便有效地进行相似性推理;其次是提出了一种新的图匹配网络模型,通过新的跨图注意力匹配机制,在一对图之间共同推理,计算它们之间的相似度得分。在不同领域的实验分析表明,本文提出的模型不仅能够在相似性学习的上下文中利用结构,而且能够优于针对此类问题精心设计的基线系统。
Apr, 2019
本研究提出了一种深度学习多形状匹配算法,利用 shape-to-universe 多匹配表示,并结合强大的 functional map 正则化,从而在不依赖于显式模板形状的情况下确保循环一致的多匹配,并在几个具有挑战性的基准数据集上取得了最新的最好结果。
Jul, 2022
本文提出一种新的学习可伸缩图匹配方法,用于解决目前多目标跟踪(MOT)任务中的数据关联问题,该方法可以使跟踪器在面对严重遮挡等困难情况时表现更加优异,同时在多项标准 MOT 数据集上取得了最先进的性能。
Mar, 2021