[Scene Graph] Knowledge-Embedded Routing Network for Scene Graph Generation 论文解读
[Scene Graph] Knowledge-Embedded Routing Network for Scene Graph Generation (CVPR 2019) 论文解读 简介 这篇CVPR2019的论文解决的问题是 通过一张图像生成相对应的场景图 。场景图包括图像中 物体区域 、 区域标签 和 物体之间的关系 。由于作者发现物体和物体之间的关系有些是极为常见的而有些则不是很常见,这种关系分布的不均匀性导致在训练一个完备模型时需要大量的样本,因此将物体共存的统计学意义上的相关信息显式地引入到模型的训练中。这种做法可以有效的使语义空间正则化(即,很少见的物体间关系也可以在预测时凸显出来)并且可以准确的预测物体间的关系。文章中使用的网络模型属于GGNN门控图神经网络(Gated Graph Neural Network)被称为KERN(Knowledge-Embedded Routing Network),使用的数据集是Visual Genome。而且为了衡量该模型对不常见的物体关系的预测性,在常用的Recall@K度量方法基础上提出了一个mean Recall@K方法。 带着问题看论文 文章中提到的物体之间的相关性(statistical correlation/co-occurrence)是如何统计出来的? 所谓的statistical