Unbiased Scene Graph Generation from Biased Training

最新推荐文章于 2022-10-13 23:30:53 发布

码码姑娘

最新推荐文章于 2022-10-13 23:30:53 发布

阅读量327

点赞数

分类专栏：论文学习过程论文笔记文章标签：场景图生成数据偏见 Total Direct Effect 无偏预测关系多样性

本文链接：https://blog.csdn.net/qq_45204129/article/details/126068709

版权

论文学习过程同时被 2 个专栏收录

2 篇文章 0 订阅

订阅专栏

论文笔记

2 篇文章 0 订阅

订阅专栏

Unbiased Scene Graph Generation from Biased Training

Link: https://www.notion.so/Unbiased-SGG-from-Biased-Training-25d4f7ca02d64aeeb3a374d6056d123f
Publisher: CVPR
Status: Finished
代码: 是

1.使用maskrnn-benchmark作为底层的物体检测

2.集成目前最全的metrics包括Recall、Mean Recall、No Graph Constraint Recall， Zero Shot Recall等

3.因为这里是提出了一种解决有偏问题，所以并没有提出新的模型，而是在模型中使用，所以这里检验的模型有VTransE , MOTIFS , VTree 。并使用两个融合函数：SUM和GATE。

作者认为现在的推理的研究并不是真正做到推理，更像是靠直觉驱使判断的人，在模型中加了很对attention更好的拟合数据集，对于这个同一份的输入，这个确定的网络永远只会得到同一个结果。这篇文章尝试通过对因果图的干预，使同一份输入，同一个网络，得到不同的输出，用于不同的目的。

目前最主流的评价标准：Recall@K，在这种指标下即便模型只学出了on/near/wear/has等少数几种relationship，模型的Recall@K依然非常高，这种场景图对下游reasoning任务的帮助非常有限，简单的来说没有引入足够多的信息量，解决办法：让relationship尽可能地diverse，学到尽可能多种类的relationship就有更多信息量。使用mean Recall。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-r7GSSnUM-1659147704116)(Unbiased%20Scene%20Graph%20Generation%20from%20Biased%20Traini%2036aa3010bb074ac3a8c3b22ef4c69b24/Untitled.png)]

SGG的偏见主要来源于，如果看不到两个物体的状态（feature），即在上图的因果图就是X是没有的，单纯地通过两个物体的label和一个union box的环境信息，盲猜两个物体的relationship，因为VG数据集中的bias和长尾效应，盲猜效果其实也很好，这样就导致模型以后就不在关注物体的feature。导致的结果就是，具体的visual feature不再重要，也就预测不出真正有意义的细粒度的relationships了。因为更细粒度的relation出现太少，而且很容易错，所以干脆把所有复杂的sitting on/standing on/riding全预测成on。

刚刚也说Recall@K，在这种指标下即便模型只学出了on/near/wear/has等少数几种relationship，模型的Recall@K依然非常高，所以在这种有偏的情况中，指标还是很高的。

**Total Direct Effect（TDE）来取代单纯的网络log-likelihood，**Effect 可以理解为医学上为了确定一个药的药效，除了观测患者服药之后的表现，还要减去安慰剂效应。在场景图生成中就是看生成的场景图的效果，减去这种盲猜的安慰剂效应。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-caGMGvGt-1659147704118)(Unbiased%20Scene%20Graph%20Generation%20from%20Biased%20Traini%2036aa3010bb074ac3a8c3b22ef4c69b24/Untitled%201.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-U1kgikgO-1659147704120)(Unbiased%20Scene%20Graph%20Generation%20from%20Biased%20Traini%2036aa3010bb074ac3a8c3b22ef4c69b24/Untitled%202.png)]

有偏训练：上图的左边因果图

I是通过faster R-CNN进过预训练的，输出bbox 以及 feature map M。

I→ X 物体的特征提取：有faster R-CNN 提取RoIAlign feature R={ri} 和暂定对象标签L={li}。然后使用以下模块为每个对象编码视觉上下文：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-n2UEpzUb-1659147704121)(Unbiased%20Scene%20Graph%20Generation%20from%20Biased%20Traini%2036aa3010bb074ac3a8c3b22ef4c69b24/Untitled%203.png)]

Motif将其实现为双向LSTM（Bi-LSTM），VCTree采用双向TreeLSTM（Bi-TreeLSTM），早期的作品，如VTransE仅使用完全连接的层。

X→Z 标签预测对象分类：Motif 和VCTree 分别使用LSTM和TreeLSTM作为解码器来捕获对象标签之间的共现，每一个LSTM/TreeLSTM 的输入是特征和上一个标签的连接【xi;Zi-1】

X→Y 对象特征嵌入：在连接一对对象特征之前，分别在Motif 和VCTree 中应用另一个Bi-LSTM和Bi-TREELSTM层。VTransE使用完全连接的层和元素减法进行特征合并。

Z→Y 对象标签嵌入：通过联合嵌入层计算语言先验

$Z ’ e = W z [z i \otimes z j]$

I → Y 视觉语境：提取上下文联合区域特征

$V ’ e = C o n v s (R o I A l i g n (M, bi \cup bj)), bi \cup bj 表示两个 RO I 的并集框。$

无偏预测：上图的右边因果图是反事实替代，无偏预测 = 上面的有偏的观测结果 - 反事实替代。所以我们的得到反事实预测，就得大道无偏预测。

将X设置为训练集的平均特征或零向量表示为~~x~~，其余都是一样。

结果：

SGDet/SGGen：给定图像，自己跑detection检测物体，最后预测场景图。

SGCls：给定图像和图中的object的bbox，给出object的label以及判断关系

PredCLs：Predicate Classification (PredCls): 给定所有ground-truth的物体类别label和bounding boxes，求这张图的场景图。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kuW64jQd-1659147704123)(Unbiased%20Scene%20Graph%20Generation%20from%20Biased%20Traini%2036aa3010bb074ac3a8c3b22ef4c69b24/Untitled%204.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-00Vf3RQU-1659147704124)(Unbiased%20Scene%20Graph%20Generation%20from%20Biased%20Traini%2036aa3010bb074ac3a8c3b22ef4c69b24/Untitled%205.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ztKQzT77-1659147704125)(Unbiased%20Scene%20Graph%20Generation%20from%20Biased%20Traini%2036aa3010bb074ac3a8c3b22ef4c69b24/Untitled%206.png)]