基于自注意力网络的深度图匹配模型

现有深度图匹配模型在节点特征提取阶段常利用图卷积网络(GCN)学习节点的特征表示。然而,GCN对节点特征的学习能力有限,影响了节点特征的可区分性,造成节点的相似性度量不佳,最终导致模型的匹配精度受损。为解决这一问题,提出一种基于自注意力网络的深度图匹配模型。所提模型在节点特征提取阶段使用新的自注意力网络来学习节点特征,其原理是通过空间编码器和自注意力机制分别学习节点的空间结构以及所有节点之间的联系,从而改善节点的特征描述。此外,为了减小放松图匹配问题所带来的精度损失,将图匹配问题建模为整数线性规划问题,在图匹配问题的节点匹配基础上增加结构匹配约束,以及引入高效的组合优化求解器来计算图匹配问题的局部最优解。实验结果表明,在PASCALVOC数据集上,与PCA-GM相比,所提模型在20类图像上的匹配精度平均值提高了14.8个百分点;在Willow Object数据集上,所提模型在5类图像上的匹配精度平均值提高了7.3个百分点,并且在自行车、植物等目标匹配任务上达到了最佳的效果。

基于图神经网络的子图匹配符号算法

子图匹配是图数据分析中的基础问题,具有重要的研究意义。针对子图匹配求解算法存在大量冗余搜索的问题,提出了一种基于图神经网络的子图匹配符号算法。该算法利用图神经网络技术聚合节点的邻域信息,得到包含图局部属性和结构的特征向量,以该向量作为过滤条件得到查询图的节点候选集C。此外,优化匹配顺序并利用符号ADD操作在数据图中构建C的各个候选区域,减少了子图枚举验证过程中的冗余搜索。实验结果表明,与VF3算法相比,该算法有效地提高了子图匹配的求解效率。