论文阅读：Neural Motifs Scene Graph Parsing with Global Context(CVPR18)

MOTIF把场景图的生成分解成了以下三部分：

（1）第一部分：Pr(B | I)，给定image输出bounding box，标准的目标检测模型

（2）第二部分：Pr(O | B, I)，给定image和bounding box，输出对象的类别标签

（3）第三部分：Pr(R | B, O, I)，给定image，bounding box和对象的类别标签，预测关系类别（给定物体类别标签是因为作者发现确定主客体的类别，对最终的关系预测有很大的作用）

具体模型：
（1）第一部分：标准目标检测，这里论文用的是Faster RCNN
（2）第二部分：encoder-decoder
①对象上下文Context，序列化bounding box，得到每一个bounding box的全局上下文表示

②每个边界框可由C解码出对象类别标签，oi用于后面

（3）第三部分：
①关系上下文，序列化bounding box的类别标签，得到融合了全局bounding box信息和类别信息的 全局表示。

②由两个bounding box的全局信息解码出它俩之间的关系类别
gi,j 边界框i和边界框j的之间的关系编码
woi,oj：特定主客体的频率先验

计算所有种类关系的概率

关系数量是平方级的，i→j， j→i