题目:Learnable Graph Matching: A Practical Paradigm for Data Association
可学习的图匹配:数据关联的实用范式
作者:Jiawei He; Zehao Huang; Naiyan Wang; Zhaoxiang Zhang
源码链接: https://github.com/jiaweihe1996/GMTracker
摘要
数据关联是许多计算机视觉任务的核心,例如多目标跟踪、图像匹配和点云配准。然而,当前的数据关联解决方案存在一些缺陷:它们大多忽略了视图内的上下文信息;此外,它们要么以端到端的方式训练深度关联模型,难以利用基于优化的分配方法的优势,要么仅使用现成的神经网络提取特征。在本文中,我们提出了一种通用的可学习图匹配方法来解决这些问题。特别是,我们将视图内的关系建模为无向图。然后数据关联转变为图之间的一般图匹配问题。此外,为了使优化过程可端到端微分,我们将原始的图匹配问题松弛为连续二次规划,然后结合KKT条件和隐函数定理,将训练整合到深度图神经网络中。在MOT任务中