[論文レビュー] Alternating Direction Graph Matching

D. Khuê Lê-Huu, Nikos Paragios|arXiv (Cornell University)|Jul 21, 2017

Graph Theory and Algorithms参考文献 33被引用数 52

ひとこと要約

本稿では、交替方向乗数法（ADMM）を用いて任意の順序のマッチング制約を分解することにより、非凸で非分離可能な最適化問題を再定式化する、グラフマッチングのための新規フレームワークであるAlternating Direction Graph Matching（ADGM）を提案する。この手法により、複雑な制約を扱えるようにすることで、従来の手法に比べて精度と外れ値に対するロバスト性に優れた、ペアワイズおよび高次元グラフマッチングベンチマークにおいて最先端の性能を達成する。

ABSTRACT

In this paper, we introduce a graph matching method that can account for constraints of arbitrary order, with arbitrary potential functions. Unlike previous decomposition approaches that rely on the graph structures, we introduce a decomposition of the matching constraints. Graph matching is then reformulated as a non-convex non-separable optimization problem that can be split into smaller and much-easier-to-solve subproblems, by means of the alternating direction method of multipliers. The proposed framework is modular, scalable, and can be instantiated into different variants. Two instantiations are studied exploring pairwise and higher-order constraints. Experimental results on widely adopted benchmarks involving synthetic and real examples demonstrate that the proposed solutions outperform existing pairwise graph matching methods, and competitive with the state of the art in higher-order settings.

研究の動機と目的

• 任意の順序の制約を扱えず、計算複雑度が高いため、既存のグラフマッチング手法の限界を克服すること。
• 任意の潜在関数を扱える統一的でモジュラーなフレームワークを構築し、ペアワイズおよび高次元グラフマッチングを両立させること。
• ADMMによる複雑な制約の分解を通じて、スケーラブルでロバストなグラフマッチングを実現し、収束性と性能を向上させること。
• 従来の手法が3次または4次元問題に限定されており、多対多や遮蔽マッチングに対応できないという制限を克服すること。
• 多様なインスタンス化を可能にしつつ、高い精度と効率を維持できる柔軟で拡張可能なフレームワークを提供すること。

提案手法

• 任意の順序の制約を有する非凸で非分離可能な最適化問題としてグラフマッチングを再定式化する。
• 交替方向乗数法（ADMM）を適用し、グローバル問題をより小さな、取り扱いやすい部分問題に分解する。
• テンソル代数を用いて、複数のノード集合にわたる高次元ポテンシャルおよび多重線形形式を効率的に表現する。
• グラフ構造ではなくマッチング制約の分解を導入することで、モularityとスケーラビリティを実現する。
• 2つの変種を実装：ペアワイズマッチング用のADGM1と、テンソルベースのポテンシャルを用いた3次元マッチング用のADGM2。
• 収束保証付きのADMM更新ステップ（双対上昇とプライマル最小化）を繰り返し適用して部分問題を解く。

実験結果

リサーチクエスチョン

• RQ1 ADMMに基づく分解フレームワークは、任意の順序の制約と任意の潜在関数を有するグラフマッチングを効果的に処理できるか？
• RQ2 提案されたADGMフレームワークは、最先端のペアワイズおよび高次元グラフマッチング手法と比較して、精度とロバスト性において優れているか？
• RQ3 ADGMフレームワークは、3次および4次元問題を越えて一般化可能であり、多対多や遮蔽マッチングをサポートできるか？
• RQ4 幾何的、角度的、長さに基づくなど、異なる潜在関数がADGMフレームワーク内のマッチング性能に与える影響は何か？
• RQ5 ADGMのモジュラー設計は、多様なマッチングシナリオにおける効率的なインスタンス化をどのように可能にするか？

主な発見

• ADGMは、40個の外れ値を含むCarsおよびMotorbikesベンチマークにおいて、PGM、TM、RRWHM、IPFP、SMACといった既存のペアワイズグラフマッチング手法を大きく上回り、100％のマッチング精度を達成した。
• 16個の外れ値を含むCarsデータセットでは、ADGM1が9回中7回、ADGM2が9回中8回のケースでBCAGMよりも優れた目的関数値を達成した。
• 15個の外れ値を含むMotorbikesデータセットでは、ADGM2が9回中8回のケースでBCAGMを上回り、ノイズおよび外れ値に対して強いロバスト性を示した。
• 20個の外れ値を含むMotorbikeデータセットにおいて、ペアワイズモデルCを用いたADGMは46/46の完全なマッチング精度を達成し、すべての競合手法を上回った。
• Carデータセットに9個の外れ値を含む状況で、ADGMの3次元モデルは100％の精度を達成し、ADGM1およびADGM2ともに25/25の正しくマッチしたペアを達成した。
• ADGMは、すべてのテストされたベンチマークで一貫して優れた性能を示し、最高の目的関数値とマッチング精度を達成しており、複雑な制約下でのエネルギー関数の最小化における有効性が裏付けられた。