ICMLJun, 2023

基于深度学习和退化的子图匹配算法 D2Match

PDF
TL;DR本文提出了 D2Match，一种基于 Deep learning 和 Degeneracy 的子图匹配方法，通过证明子图匹配可以退化为子树匹配，并形象地表述成在二分图上的完美匹配问题，并利用图神经网络的内置树状聚合机制实现线性时间复杂度，实验结果证实了 D2Match 具有优秀的匹配效果。
subgraph matchingdeep learningdegeneracygraph neural networksbipartite graph
发现论文，激发创造
  • 异质 2D 图像集联合深度多图匹配与三维几何学习

    提出了一种基于图神经网络的、可训练的框架，用于从不同的图像集合中学习可变形的三维几何模型，并在图形匹配中取得更好的性能。

    Mar, 2021

  • 神经子图匹配

    NeuroMatch 利用图神经网络将查询和目标图分解成小的子图，并在嵌入空间中直接实现子图匹配，实验证明其比现有的组合匹配方法快 100 倍，比现有的近似子图匹配方法精度高 18%。

    Jul, 2020

  • 学习组合嵌入网络以进行深度图匹配

    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

  • 二次约束下的深度图匹配

    该论文提出了一种利用二次约束明确表达配对图结构的深度图匹配 (DGM) 框架，并设计了误配损失，具有更好的惩罚假阴性和假阳性的效果，实验表明该方法在真实数据集上具有竞争性的性能。

    Mar, 2021

  • 组合求解器的黑盒微分在深度图匹配中的应用

    本文提出了一种可端到端学习的深度图匹配体系结构，其中包含未修改的组合求解器，并使用优化的组合求解器和架构设计的改进推进了关键点对应的深度图匹配基准的最新进展。

    Mar, 2020

  • 交替方向图匹配

    本文提出了一种基于约束的图匹配方法，能够处理任意阶数、任意势函数的约束，在先前依赖于图结构的分解方法的基础上，通过约束匹配的分解，将图匹配重构为非凸非可分的优化问题，通过交替方向乘子法将其分解为多个较小、易于解决的子问题，从而设计了一个模块化可扩展的框架，并对基于两两约束和高阶约束的两个不同实例进行了研究，实验结果表明，所提出的解决方案在广泛采用的合成和真实示例基准测试中优于现有的两两图匹配方法，并且在高阶设置中具有竞争力。

    Nov, 2016

  • 十亿节点图上的高效子图匹配

    本文研究在亿级规模的图数据上，通过利用高效的图探索和大规模并行计算，建立在分布式内存上而非超线性索引的新型算法，达成对图数据库的有效子图匹配。

    May, 2012

  • 基于循环一致性的无监督深度图匹配

    本文研究了无监督深度图匹配，并应用于图像特征点匹配。与传统的有监督方法不同，我们的方法不需要关键点对之间的真实对应关系，而是通过强制同一物体类别图像之间的匹配一致性进行自我监督。由于匹配和一致性损失是离散的，不能直接用于学习，我们通过在组合求解器的黑盒微分结果的基础上构建方法来解决这个问题。这使得我们的方法非常灵活，可以与任意网络架构和组合求解器兼容。实验结果表明，我们的技术在无监督图匹配领域达到了最新的最先进水平。

    Jul, 2023

  • 全可训练的深度匹配

    本文介绍了一种将 Deep Matching 算法重写为卷积神经网络的新方法，该方法采用了一些新的层类型，并具有 U 形拓扑结构，从而实现了端到端的训练，并得到了更好的图像匹配性能。

    Sep, 2016

  • 使用双重信息传递的图卷积网络进行子图同构计数和匹配

    本文提出一种基于边 - 顶点转换和对偶图同构性质的双重消息传递神经网络 (DMPNNs) 模型，用于在异步方式下加强子结构表示学习，适用于子图同构计数和匹配以及无监督节点分类任务。大量实验在合成和真实异构图中展示了 DMPNNs 结合节点和边表示学习的鲁棒性能，代码可在给出的网址中获取。

    Dec, 2021