2020-07-02 CVPR2020 V&L论文讨论（3） 笔记

[1] Bi-directional Relationship Inferring Network for Referring Image Segmentation

• 卢湖川老师
• 已有方法：语言->视觉，没有视觉->语言。（->：指导）

[2] A Real-Time Cross-modality Correlation Filtering Method for Referring Expression Comprehension

• 北航刘偲、中山李冠斌
• 现有方法：两阶段（生成proposals、选最优proposal）比较慢
• 将相关滤波引入跨模态领域，用language feature当做kernel，在image feature上做相关滤波，得到响应图（bbox的中心），再回归w和h。
• 像极了SiamRPN，只不过一个branch改成了另一个模态。

[3] Vision-Dialog Navigation by Exploring Cross-modal Memory

• 跨模态记忆问题？
• 导航：只基于对话历史->加入视觉模块

[4] VQA with No Questions-Answers Training

• 不用answer就可以训练。
• 通过问题图，生成问题，生成的问题的答案没有意义。

[5] Referring Image Segmentation via Cross-Modal Progressive Comprehension

• 额，没太听懂。

[6] Local-Global Video-Text Interactions for Temporal Grounding

• 参考链接

[7] Hypergraph Attention Networks for Multimodal Learning

• 参考链接

总结

这次结束的超级快，一小时20分钟。