- 博客(9)
- 收藏
- 关注
RSS订阅原创 Learning to Generate an Unbiased Scene Graph by Using Attribute-Guided Predicate Features 阅读笔记
问题定义：无偏场景图动机：现有重平衡（重采样）策略不能很好的平衡头部类和尾部类，原因是同一张图像上头尾往往伴随着出现，图像级别的重采样，不行我们的贡献/解决方案，使用属性为导向的谓词特征重构一个完全平衡的训练集，达到解耦头尾谓词的目的具体描述方案，分两步，第一步训练一个PFRL模型，第二步用类平衡特征数据集微调分类器，这个数据集由A-PFG模型创建的仔细解释A-PFG，双重变分自编码器dual VAE，输入为谓词特征和属性嵌入，获得合成谓词特征，以交叉重构和分布对齐的操作，学习属性中的上下文信息。
2023-07-10 19:41:26
139
1
原创 SGTR: End-to-end Scene Graph Generation阅读笔记
sword标志为论文复现结果， 表示FCSGG模型中独特的物体检测器和backbone，*为重采样策略的模型，在论文的方法（Ours）中 表示TOP-K取1时的性能，Time/Sec为生成一张场景图的耗时，可以看到论文方法在效率和性能上取得平衡，并且论文方法的mR@K远超过其他端到端方法（DETR类），说明论文方法能改善数据集标注中的长尾问题。，在指示特征子解码器中使用实体特征更新，更新后的指示特征能够感知与实体节点间的相关性，从而能更好的指示谓词节点寻找其对应的实体节点；
2023-04-09 09:28:12
879
4
原创 python 解决no module name ‘“resize”
改变pytorch版本和torchvision版本，我一开始的torchvision版本是0.1.8，重新安装0.3.0后解决了（可以分开试）scipy版本过高，1.3后的版本删除了resize。
2023-04-07 09:31:01
188
1
原创 pycharm远程开发功能总结
1.在pycharm内，做映射（本地----服务器），需要部署本地路径，服务器路径，配置远程虚拟环境，远程服务器...没具体做过。2.pycharm----文件----远程开发Beta----SSH开发----输入服务器信息----选项目文件夹----连接。配置解释器（右下角），注意要选本地解释器！，因为已经是远程开发了，相当于在服务器上打开一个pycharm，显示在本地。如需命令行配置，点开 运行----配置----在环境中输入需要读取的命令行，把路径改为项目文件夹。
2023-04-06 21:13:32
212
1
原创 Resistance Training Using Prior Bias:Toward Unbiased Scene Graph Generation阅读笔记
场景图数据集中，关系的标注存在长尾问题，导致模型生成场景图时，物体间关系大部分是粗粒度的谓词（头部类），但辅助下游任务需要细粒度的关系（尾部类）提供更多信息，无偏场景图生成任务由此被提出，目的是消除数据集中的训练偏差来的影响。在没看这篇论文前，虽然在组会上接触了很多次无偏场景图，但对于无偏场景图的动机，整体的流程，方法针对什么，怎么起作用，其实没有太多自己的思考，在做完这篇汇报后才有了一定的理解。VG，VG150（由VG数据集中出现最频繁的150个物体类别和50个关系组成的数据集）
2023-03-28 18:45:43
160
原创 Not All Relations are Equal: Mining Informative Labels for Scene Graph Generation阅读笔记
SGG初始模型只使用了隐性关系进行预训练，通过初始模型对数据集归纳后，利用新数据集对模型再训练，如图2，输入一张图像，生成场景图，对于隐性标签（蓝实线），论文方法在归纳操作中不进行处理，对于标注显性关系的样本X，使用训练的初始模型得到X的归纳标签，再将归纳标签和真实标签组合作为样本X新的真实标签，随后使用优化过的数据集再次训练。
2023-03-22 21:45:04
137
1
原创 Boosting Scene GraphGeneration with Visual Relation Saliency 阅读笔记
我们看向这张图时会把注意力放在和两个三元组上，自发的描述相对重要的关系，而现有场景图方法不具备这种感知关系的视觉 显著性的能力，这不符合人类看图像的本能，并且由于场景图内信息太过琐碎，可能导致下游任务在进行时受到干扰。
2023-03-07 09:34:25
283
1
原创 The Devil is in the Labels: Noisy Label Correction forRobust Scene Graph Generation阅读笔记
Noisy Label Correction：论文方法，对噪声标签进行修正。for Robust Scene Graph Generation：论文任务，生成更鲁棒的场景图，鲁棒的场景图生成。
2023-03-01 14:55:27
470
2
原创 TransMVSNet阅读笔记
首句：一句话总结了论文的工作最大的特点，即基于对****. 特征匹配（这也是方法的核心）的探索提出的第二句：通过类比MVS回到**特征匹配**任务的本质，为了更好的进行特征匹配，引出了是这个网络的核心模块，利用类间类内注意力去增强图片间和图片内的长距离上下文信息。第三句：对论文方法进行补充。FMT的附加模块**Adaptive Receptive Field 自适应感受野模块ARF**：。作用：确保有一个平滑的特征范围；
2022-11-18 10:31:49
3202
9
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人