[论文解读] A Flexible Tensor Block Coordinate Ascent Scheme for Hypergraph Matching

Quynh Nguyen, Antoine Gautier+1 more|arXiv (Cornell University)|Apr 29, 2015

Graph Theory and Algorithms参考文献 25被引用 13

一句话总结

本文提出了一种灵活的张量块坐标上升框架用于超图匹配，该框架在离散分配矩阵上保证匹配得分的单调上升。通过将三阶问题重新表述为等价的四阶问题，作者提出了两种算法——BCAGM 和 BCAGM+MP，其在匹配准确率和得分方面优于先前方法，尤其在高噪声和异常值条件下表现更优。

ABSTRACT

The estimation of correspondences between two images resp. point sets is a core problem in computer vision. One way to formulate the problem is graph matching leading to the quadratic assignment problem which is NP-hard. Several so called second order methods have been proposed to solve this problem. In recent years hypergraph matching leading to a third order problem became popular as it allows for better integration of geometric information. For most of these third order algorithms no theoretical guarantees are known. In this paper we propose a general framework for tensor block coordinate ascent methods for hypergraph matching. We propose two algorithms which both come along with the guarantee of monotonic ascent in the matching score on the set of discrete assignment matrices. In the experiments we show that our new algorithms outperform previous work both in terms of achieving better matching scores and matching accuracy. This holds in particular for very challenging settings where one has a high number of outliers and other forms of noise.

研究动机与目标

• 解决现有三阶超图匹配算法缺乏理论保证的问题。
• 开发一种基于张量的块坐标上升通用框架，以保持匹配得分的单调提升。
• 提升超图匹配对噪声和异常值的鲁棒性，尤其在异常值比例较高的挑战性场景下。
• 在整个优化过程中保持一一匹配约束，而不仅在离散化时保证。
• 在匹配得分和准确率方面均优于最先进的一、二阶和三阶方法。

提出的方法

• 利用多线性代数将三阶超图匹配问题重新表述为等价的四阶张量优化问题。
• 应用块坐标上升方案，迭代地在分配矩阵的子集上进行优化，同时保持离散约束。
• 使用多线性重表述，实现在不损失几何信息的前提下对高阶张量进行高效优化。
• 提出两种算法：BCAGM（带贪心匹配的块坐标上升）和 BCAGM+MP（带幂方法精化），两者均保证目标函数的单调上升。
• 利用四阶张量的最大奇异向量作为初始化，以提升收敛性和性能。
• 通过投影步骤强制实现一一匹配，确保每次迭代的可行性，避免仅依赖最终的离散化。

实验结果

研究问题

• RQ1 能否设计一种基于张量的块坐标上升框架，以保证在离散分配矩阵上的超图匹配得分单调提升？
• RQ2 与现有二阶和三阶方法相比，所提出的框架在噪声和异常值条件下的匹配准确率和鲁棒性如何？
• RQ3 将问题通过多线性重表述为四阶问题，在在多大程度上保持了几何信息并提升了优化稳定性？
• RQ4 使用张量的最大奇异向量进行初始化，是否能带来可测量的匹配得分和准确率提升？
• RQ5 该框架在具有不同几何失真和杂波水平的多样化数据集上是否保持了强劲性能？

主要发现

• 所提出的 BCAGM 和 BCAGM+MP 算法在离散分配矩阵集合上实现了匹配得分的单调上升，提供了先前三阶方法所不具备的理论保证。
• 在 CMU House 数据集上，BCAGM+MP 在 30 vs 30 设置下实现了 34/34 次正确匹配（得分 5377.3），优于 RRWHM（28/34）和 HGM（9/34）。
• 在 CMU House 数据集的 10 个点 vs 30 个点设置下，BCAGM+MP 实现了 28/34 次正确匹配，显著优于 HGM（9/34）和 RRWHM（28/34），在准确率和得分上均表现更优。
• 在 Car 和 Motorbike 数据集上，随着异常值数量的增加，BCAGM+MP 的平均匹配准确率和目标得分均高于 RRWHM、HGM 和 TM。
• 使用四阶张量的最大奇异向量进行初始化，使匹配得分最高提升 2%，准确率最高提升 3%，证明了有指导性初始化的价值。
• 该框架在保持具有竞争力运行时间的同时，在噪声和异常值密集的场景中显著优于先前方法，证实了其鲁棒性。