[论文解读] 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 52

一句话总结

该论文提出了一种新型图匹配框架——交替方向图匹配（ADGM），通过交替方向乘数法（ADMM）分解任意阶匹配约束。通过将非凸、非可分的优化问题重构为可处理的子问题，ADGM在成对和高阶图匹配基准测试中均实现了最先进性能，准确率和对异常值的鲁棒性均优于现有方法。

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.

研究动机与目标

• 解决现有图匹配方法在处理任意阶约束和高计算复杂度时的局限性。
• 开发一种统一、模块化的框架，能够同时处理成对和高阶图匹配，并支持任意势函数。
• 通过ADMM分解复杂约束，实现可扩展且鲁棒的图匹配，提升收敛性和性能。
• 克服先前方法仅限于三阶或四阶问题且无法处理多对多或遮挡匹配的局限性。
• 提供一种灵活、可扩展的框架，支持多种实例化，同时保持高准确率和高效性。

提出的方法

• 将图匹配重新表述为具有任意阶约束的非凸、非可分优化问题。
• 应用交替方向乘数法（ADMM）将全局问题分解为更小、可处理的子问题。
• 使用张量代数紧凑表示跨多个节点集的高阶势函数和多重线性形式。
• 提出一种匹配约束的分解方式，而非图结构的分解，从而实现模块化和可扩展性。
• 实现两种变体：ADGM1用于成对匹配，ADGM2用于基于张量势函数的高阶（三阶）匹配。
• 通过ADMM更新迭代求解子问题，包括对偶上升和原始最小化步骤，并保证收敛性。

实验结果

研究问题

• RQ1 基于ADMM的分解框架是否能有效处理具有任意阶约束和任意势函数的图匹配？
• RQ2 所提出的ADGM框架在准确率和鲁棒性方面与最先进成对及高阶图匹配方法相比表现如何？
• RQ3 ADGM框架在多于三阶或四阶问题上的泛化能力如何？是否能支持多对多或遮挡匹配？
• RQ4 不同势函数（如几何、角度、长度相关）对ADGM框架中匹配性能的影响如何？
• RQ5 ADGM的模块化设计如何实现对多样化匹配场景的高效实例化？

主要发现

• 在包含40个异常值的Cars和Motorbikes基准测试中，ADGM显著优于现有成对图匹配方法（如PGM、TM、RRWHM、IPFP和SMAC），实现了100%的匹配准确率。
• 在含16个异常值的Cars数据集上，ADGM1和ADGM2分别在9次实验中的7次和8次优于BCAGM，取得更优的目标函数值。
• 在含15个异常值的Motorbikes数据集上，ADGM2在9次实验中的8次优于BCAGM，表现出对噪声和异常值的强大鲁棒性。
• 在含20个异常值的Motorbike数据集上，ADGM使用成对模型C实现了完美的匹配准确率（46/46），超越所有对比方法。
• 在含9个异常值的Car数据集上，ADGM的三阶模型达到100%准确率，ADGM1和ADGM2均实现25/25次正确匹配。
• ADGM在所有测试基准上表现一致优越，具有最高的目标函数值和匹配准确率，证实其在复杂约束下最小化能量函数的有效性。