论文阅读笔记-场景图谱-图谱生成：Scene Graph Generation from Objects, Phrases and Region Captions

Li Y, Ouyang W, Zhou B等. Scene Graph Generation from Objects, Phrases and Region Captions[J]. Proceedings of the IEEE International Conference on Computer Vision, 2017, 2017-October: 1270–1279.

摘要

• 目标检测 、 场景图谱生成 和 region captioning 是在不同语义等级上的图像理解任务

它们通常是被绑定在一起的。

本文为了利用跨越不同语义等级的相互联系，本文提出了一种新的神经网络模型，Multi-level Scene Description Network(MSDN).

• 一种端到端的方式解决这三个联合在一起的问题。

• 方法简介

1. 对象、文本和regions 首先在一个动态图中表示
2. 采用特征细化结构，在三个语义层次上传递消息

• 在三个基准上测试了本方法。SOTA 3% margin
• 代码地址： Scene Graph Generation from Objects, Phrases and Region Captions

引言

背景

• 图像理解任务

object detections

[33] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi. You only look once: Unified, real-time object detection. arXiv preprint arXiv:1506.02640, 2015. 1, 2
[34] S. Ren, K. He, R. Girshick, and J. Sun. Faster r-cnn: Towards real-time object detection with region proposal networks. In NIPS, 2015. 1, 2, 3, 7, 8
[30] W. Liu, D. Anguelov, D. Erhan, C. Szegedy, and S. Reed. Ssd: Single shot multibox detector. arXiv preprint arXiv:1512.02325, 2015. 1, 2

scene graph genetation

[31] C. Lu, R. Krishna, M. Bernstein, and L. Fei-Fei. Visual rela- tionship detection with language priors. In ECCV, 2016. 1, 2, 6, 7
[40] D. Xu, Y. Zhu, C. B. Choy, and L. Fei-Fei. Scene graph
generation by iterative message passing. arXiv preprint arXiv:1701.02426, 2017. 1, 2, 6, 7
[28] Y. Li, W. Ouyang, X. Wang, and X. Tang. Vip-cnn: Visual
phrase guided convolutional neural network. CVPR, 2017.1, 2
[45] H. Zhang, Z. Kyaw, J. Yu, and S.-F. Chang. Ppr-fcn: Weakly
supervised visual relation detection via parallel pairwise rfcn. In ICCV, 2017. 1

image/region caption

[41] K. Xu, J. Ba, R. Kiros, K. Cho, A. Courville, R. Salakhutdinov, R. S. Zemel, and Y. Bengio. Show, attend and tell: Neural image caption generation with visual attention. arXiv preprint arXiv:1502.03044, 2015. 1, 2
[10] J. Donahue, L. Anne Hendricks, S. Guadarrama, M. Rohrbach, S. Venugopalan, K. Saenko, and T. Dar- rell. Long-term recurrent convolutional networks for visual recognition and description. In CVPR, 2015. 1
[22] A. Karpathy and L. Fei-Fei. Deep visual-semantic alignments for generating image descriptions. In CVPR, 2015.1, 2, 5

---

这三个子任务分别代表了图像理解的三个不同的语义水平。

• object detection 关注单个对象
• scene graph 代表不同对象之间的关系
• region caption 代表一个自由句，用于描述图像

问题1

• 如何协同训练同时解决三个问题的模型。

关键点

• 利用视觉特征的空间和语义关系

方法简介

1. end-to-end Multi-level Scene Description Network(MSDN)

contribution

1. 同时利用三个语义水平的特征，解决三个任务
2. 多图共同构建动态graph
3. 利用特征细化结构在三个语义水平的特征上进行信息传递

数据集

• Visual Genome dataset [23]

[23] R. Krishna. Y. Zhu O. Groth J. Johnson. K. Hata. J. Kravitz S. Chen. Y. Kalantidis. L -J. Li. D. A. Shamma. et al Visual genome:Connecting language and vision using crowdsourced dense image annotations. arXiv preprint arXiv:l602.07332.2016.2.5,7

SOTA

正文部分

敬请期待

Conclusionn

• 图像理解任务
• 同时对object detection ， visual relationship , region captioning 三个任务进行建模
• 端到端 ： MSDN
• 多图动态维护一张表
• SOTA