Optimierungstechniken für Multi-Graph-Matching (Akronym OPTEMA)

• Antragsteller: Dr. Bogdan Savchynskyy
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 539435352

Multi-Graph-Matching ist ein etabliertes diskretes Optimierungsproblem mit einer Reihe von Anwendungen in der Computer Vision und der Bioinformatik. Dazu gehören unter anderem die 3D Rekonstruktion aus mehreren Sichtwinkel, die Verfolgung von Objekten in Videos oder das Multi-Shape-Matching. Multi-Graph-Matching Probleme sind oft sehr groß. Dies macht Standardlösungsverfahren für die ganzzahlige Programmierung wie Gurobi zu langsam für die Praxis. Es gibt keine skalierbaren Methoden, die qualitativ hochwertige Lösungen liefern: Schnelle Methoden sind meist ungenau und genaue Methoden sind langsam und lassen sich nicht gut skalieren. Der moderne praktische Ansatz zum Multi-Graph-Matching umfasst Deep Learning. Dies verbessert die Modellierung, nicht jedoch die Optimierung. Eine genauere und schnellere Optimierung würde die Möglichkeit eröffnen, bessere Modelle zu lernen, sobald die Optimierungsmethode schnell genug ist, um in einer Lernschleife aufgerufen zu werden. Ziel des Projekts ist die Entwicklung schneller und genauer Methoden zur Optimierung des Multi-Graph-Matchings. Ihre Geschwindigkeit sollte den Einsatz in einer Lernschleife ermöglichen und ihre Genauigkeit für nicht triviale Anwendungen ausreichen. Aufgrund der typischen Größe des Multi-Graph-Matching-Problems glauben wir, dass das Erreichen einer hohen Genauigkeit in kurzer Zeit nur durch massive Parallelisierung möglich ist. Letzteres wird daher eine intrinsische Eigenschaft der im Rahmen des Projekts entwickelten Algorithmen sein.

• DFG-Verfahren: Sachbeihilfen