基于深度学习的Graph Matching中损失函数的理解

最新推荐文章于 2024-12-20 20:25:01 发布

原创

最新推荐文章于 2024-12-20 20:25:01 发布 · 1k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #机器学习 #graph

本文概述了ThinkMatch工程中关键的损失函数，如OffsetLoss、PermutationLoss、PermutationLossHung、HammingLoss等，介绍了它们在GraphMatching中的应用，包括OffsetLoss的计算原理、PermutationLoss的改进及其交叉熵核心、以及HammingLoss对离散矩阵优化的作用。

本文介绍以下损失函数：
①PermutationLoss
②CrossEntropyLoss
③PermutationLossHung
④OffsetLoss
⑤FocalLoss
⑥InnerProductLoss
⑦HammingLoss
(顺序依照ThinkMatch工程中 src/loss_func.py 的顺序)

OffsetLoss

18年的Deep Learning of Graph Matching将深度学习与Graph Matching进行首次结合，论文中对以往一些方法进行了组合，并着重对Graph Matching训练过程中的反向传播进行了严密的推导，其中采用的损失函数为 OffsetLoss

在这里插入图片描述
其中φ函数形式如下，即对两位移向量(displacement vector)di、di^gt 之差进行度量，得到一标量。
根号下后一项为一极小数，避免X^TX为0，影响训练的稳定性

di、di^gt 由论文中所提出的 Voting layer进行转换，这一layer，在工程中被称作 displacement_layer，也在src目录下。

displacement vector的计算公式：
在这里插入图片描述
对应的代码理解：
①对s进行输出，得到8个10*10的矩阵，8表示batch size的大小，矩阵的大小由source image和target image中节点数决定。（表示两张图各自节点之间的匹配关系）
②对P_src 和 P_tgt进行输出，都得到了(8，10，2)维度的矩阵。