论文阅读：Contextual Translation Embedding for Visual Relationship Detection and SGG(PAMI2020)

还是论文题目太长打不下了（SGG：场景图生成）

中心思想：p≈u-s-o

1.目标检测

2.视觉特征提取
出于对论文上下文的理解，我觉得这里的主客体特征应该融合了fasterrcnn提取的视觉特征和主客体的位置特征

3.谓语特征=union box特征-主语特征-宾语特征

4.谓语特征经过两层fc得到视觉模块的谓语类别的置信度
同时4’.谓语特征经过一层fc，主语和宾语分别做word embedding。

5.在三个连续的时间步内分别以主语特征、谓语特征、宾语特征为输入，得到它们的hidden state，再经过一层fc得到语言模块的谓语类别分数

6.最终三元组的分数：

zs,zo：主客体的置信度
zp：视觉模块的置信度
zl：语言模块的置信度

---------------------------一些碎碎念---------------------------
没啥说的了。
大道至简就完事了。