场景图生成论文阅读笔记 之 Detecting Visual Relationships with Deep Relational Networks

最新推荐文章于 2022-02-10 15:21:18 发布
最新推荐文章于 2022-02-10 15:21:18 发布
阅读量113 收藏
点赞数
分类专栏： 论文阅读笔记 文章标签： 深度学习 计算机视觉 场景图生成 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38574198/article/details/118655119
版权

CVPR 2017

《Detecting Visual Relationships with Deep Relational Networks》

属于基于CNN实现的，并非后续主流的RNN、LSTM、图神经网络的方法，并且比较早，因此不作过详细记录，仅重点记录下创新点

文章目录

针对问题

Local prediction，前人工作没有考虑到上下文等等

本文创新点

在预测关系类别时，增加了主宾语目标的空间位置信息。
算是本文最大的创新点，并且这种上下文信息的提取方法据 汤凯华大佬的19年的一篇博文里说是感觉比较合理的（相对于其它方法中，只输入主宾目标的union区域特征）

网络结构

在这里插入图片描述

空间位置信息提取

通过对目标的位置掩码进行特征提取来得到位置特征，然后输入到DR-Net中。
在这里插入图片描述

注：原文中也提及了一些场景图生成的方案并且说明了这些方案的不足，有一定的启发性，有兴趣的读者可以去看看

流觞时光
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
[晓理紫]每日论文推送(有中文摘要，源码或项目地址)--大模型相关、扩散模型、视觉导航
勿忘初心,方得始终
01-14 1205
在机器学习（ML）中，一句流传甚广的格言是，对于具有类不平衡的二进制分类任务，精度-召回曲线下的面积（AUPRC）是与接收器操作特性下的面积相比的模型比较的更好的度量。本文通过新颖的数学分析对这一概念提出了质疑，说明AUROC和AUPRC可以用概率术语简明地联系起来。我们证明，与普遍认为的相反，AUPRC在阶级失衡的情况下并不优越，甚至可能是一个有害的指标，因为它倾向于过度倾向于在具有更频繁阳性标签的亚群体中改进模型。这种偏见可能会无意中加剧算法差异。
OCR读书笔记
sinat_28685897的博客
04-20 703
【1】Zhou et al. Informer:Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. AAAI 2021 Best Paper. 长序列的时序预测问题（LSTF）要求模型具有很高的预测能力，即能够有效地捕捉输出和输入之间精确的长程相关性，Transformer具有此方面的潜力但仍存在一些严重问题，如二次方的时间复杂度，高内存使用率，以及encoder-decoder体系结构的固有限制。...
论文阅读：Energy Based Learning for Scene Graph Generation(CVPR2021)
qq_40349484的博客
12-07 3140
论文阅读：Energy Based Learning for Scene Graph Generation(CVPR2021)
Detecting Visual Relationships with Deep Relational Networks（阅读笔记）
llxue0925的博客
03-28 1280
Detecting Visual Relationships with Deep Relational Networks（阅读笔记） 原文链接：https://blog.csdn.net/xue_wenyuan/article/details/76363666 Introduction 图像中的真实世界通常存在多种相互作用的物体。为了理解这些图像，仅仅做到对单个物体的识别是远远不够的。物体间...
＜Detecting Visual Relationships with Deep Relational Networks＞论文阅读
weixin_44030303的博客
02-10 1319
＜Detecting Visual Relationships with Deep Relational Networks＞论文阅读
计算机视觉论文-2021-07-13
中科院AI算法工程师的博客
07-13 2699
本专栏是计算机视觉方向论文收集积累，时间：2021年7月13日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:Anatomy-Constrained Contrastive Learning for Synthetic Segmentation Without Ground-truth AUTHORS: Bo Zhou ; Chi Liu ...
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
计算机视觉论文-2021-07-30
中科院AI算法工程师的博客
08-02 1733
本专栏是计算机视觉方向论文收集积累，时间：2021年7月30日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:Efficient Human Pose Estimation By Maximizing Fusion and High-Level Spatial Attention AUTHORS: Zhiyuan Ren ; Yaohai ...
第五十三周学习笔记
Peter的脱发日记
08-09 269
第五十三周学习笔记 论文阅读概述 Densely Connected Convolutional Networks：This article introduces a novel CNN model DenseNet which distills the idea of short cut connection and extend it to connecting every two laye...
Corner points localization in electronic topographic maps with deep neural networks
02-07
This paper proposes an algorithm for automatically locating the corner points in the electronic topographic maps by detecting the specific rectangle objects in the map corners. It assigns the probab
Detecting Anomalous Emotion through Big Data from Social Networks Based on a Deep Learning Method
02-07
Detecting Anomalous Emotion through Big Data from Social Networks Based on a Deep Learning Method
Detecting anomalous emotion through big data from social networks based on a deep learning method
02-06
Detecting anomalous emotion through big data from social networks based on a deep learning method
Detecting Text in Natural Image with_CTPN论文_
09-30
自然场景文本检测算法CTPN的原始论文，这是一篇论文
Detecting Mobile Malware with TMSVM
02-10
Detecting Mobile Malware with TMSVM
论文阅读笔记 之 YOLOv4 & scaled YOLOv4
流觞时光
11-30 2743
一、目标检测框架总结 在YOLOv4论文中，作者首先对当前目标检测领域的模型进行了总结。作者将目标检测模型归纳为下图所示的结构： 作者将模型分为 输入、backbone、neck、预测部分，其中Dense Prediction加前三部分为one-stage检测模型框架，Sparse Predition 加前三部分为two-stage 检测模型框架。这里的Neck部分主要指的是网络中对backbone提取的特征进行多尺度融合(如FPN等)或者进一步处理（注意力机制等）。并且作者也列出来各个部分目前表现较好的
论文阅读笔记 之 3D Bounding Box Estimation Using Deep Learning and Geometry
流觞时光
03-12 2179
目录一、 解决的主要问题二、 预备知识三、 论文内容：四、 CNN估计3D box参数：4.1 偏航角回归4.2 网络结构4.3 损失函数4.3.1 回归角度部分的损失函数4.3.2 尺寸回归部分的损失函数五、 实验5.1 数据增强5.2 结果展示 发表时间及期刊/会议 : 2017 CVPR 论文地址：https://arxiv.org/abs/1612.00496 一、 解决的主要问题 单目图像实现3D目标检测 已有条件/输入： 相机的内参矩阵K, 单目相机图像 需要求的结果：3D bounding b
场景图生成论文阅读笔记 之 Neural Motifs
流觞时光
07-09 1874
CVPR2018 《Neural Motifs: Scene Graph Parsing with Global Context》 文章目录《Neural Motifs: Scene Graph Parsing with Global Context》针对问题问题分析Motifs概念文章创新网络模型实验结果 针对问题 ① 很多前人的工作是local prediction，未利用上下文信息（这一点与IMP针对的问题相同） ② 作者分析了VG数据集，发现具有很大的长尾效应（关系检测数据集的通病），并且很多关系类
场景图生成论文阅读笔记 之 Graph R-CNN for Scene Graph Generation
流觞时光
07-19 1222
2018 ECCV 《Graph R-CNN for Scene Graph Generation》 比较早使用图网络进行场景图生成的论文，对后续工作具有一定的启发性，在这做一记录 文章目录《Graph R-CNN for Scene Graph Generation》针对问题文章创新点模型结构① Object Proposal② Relation Proposal Network③ Attentional GCN实验结果 针对问题 很多工作中预测关系时都是密集关系的方式（目标与其它每个目标之间都存在关系）
detecting building changes with off-nadir aerial images
最新发布
11-16
使用斜摄航空图像检测建筑物变化是一种有效的方法。斜摄航空图像是通过在航行中以斜向角度拍摄而得到的图像，具有全景和立体感，能够提供建筑物的立面信息。通过比较不同时间拍摄的斜摄航空图像，可以准确地检测出...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值