![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
SGG
文章平均质量分 91
Koihoo
这个作者很懒,什么都没留下…
展开
-
SGGTrans【Neural Motifs:Scene Graph Parsing with Global Context】2018 cvpr_pytorch 20.12.10
Neural MotifsAbstract5. Experimental Setup5.1. Model Details5.2. Training5.3. Evaluation5.4. Frequency Baselines9. ConclusionSummaryAbstract我们研究产生视觉场景的结构化图形表示的问题。 我们的工作分析了图案的作用:场景图中经常出现的子结构。 我们在视觉基因组数据集中对此类重复结构提出了新的定量见解。 我们的分析表明,对象标签对关系标签具有高度的预测能力,反之亦然。原创 2021-08-16 15:12:05 · 647 阅读 · 1 评论 -
trans《LEARNING TOCOUNTOBJECTS INNATURALIMAGESFORVISUALQUESTIONANSWERING》
摘要到目前为止,视觉问答(VQA)模型一直在努力计算自然图像中的对象。 由于这些模型中的软性关注,我们确定了一个根本问题。 为了解决这个问题,我们提出了一种神经网络组件,该组件允许从对象提议中进行可靠的计数。 玩具任务上的实验证明了该组件的有效性,我们在VQA v2数据集的数字类别上获得了最新的准确性,而没有负面影响其他类别,甚至与我们的单一模型相比,集成模型的表现也不佳。 在困难的平衡对度量标准下,与强基准相比,该组件显着提高了6.6%。3 PROBLEMS WITH SOFT ATTENTION这原创 2021-08-16 15:11:49 · 171 阅读 · 0 评论 -
SGG Trans[Attribution:Contextual Translation Embedding for SGG
Contextual Translation Embedding for VisualRelationship Detection and Scene GraphGeneration摘要2. related work3. model3.1 Union Visual Translation Embedding3.2 语言模块3.3 Implementation Details2020新,有属性预测。可学摘要实体之间的关系在图像理解中起着核心作用。由于建模(主语、谓语、宾语)关系三元组的复杂性,开发一原创 2021-08-16 15:11:31 · 276 阅读 · 0 评论 -
SGG Trans【Unbiased Scene Graph Generation from Biased Training】学习记录
这里写目录标题摘要1. Introduction三级目录摘要如今的场景图生成(SGG)任务仍然不切实际,这主要是由于严重的训练偏见,例如,各种人在海滩上行走/坐着/躺着折叠成海滩上的人类。 然而,在SGG中进行去偏并不是微不足道的,因为传统的去偏方法无法区分好的和坏的偏见,例如,先于上下文的好习惯(例如,人读书而不是吃东西)和长尾的不好的偏见(例如 ,取消隐藏在/之前/之后。 在本文中,我们提出了一种基于因果推理而非常规可能性的新颖的SGG框架。 我们首先为SGG建立因果图,然后对图进行传统的有偏训练。原创 2021-08-16 15:11:19 · 520 阅读 · 0 评论 -
SGG Trans【VCTree:Learning to Compose Dynamic Tree Structures for Visual Contexts】19pytorch 20.12.11
Learning to Compose Dynamic Tree Structures for Visual Contexts摘要1. Introduction三级目录摘要我们建议构成动态树结构,以将图像中的对象置于视觉环境中,以帮助进行诸如场景图生成和视觉问答的视觉推理任务。 与现有的结构化对象表示形式(包括链和完全连接的图)相比,我们的可视化上下文树模型(称为VCTREE)具有两个关键优势:1)高效且富有表现力的二叉树编码对象之间固有的并行/层级关系,例如“衣服”和“裤子” “通常同时出现,并且属于原创 2021-08-16 15:10:45 · 1344 阅读 · 0 评论 -
SGG Trans【Bridging Knowledge Graphsto Generate Scene Graphs】
Bridging Knowledge Graphsto Generate Scene Graphs摘要3 Problem Formulation3.1 Knowledge graphs4. method项目地址:https://github.com/alirezazareian/gbnet摘要场景图是解析图像内的强大表示,即他们的抽象语义元素,即,对象及其互动,这促进了视觉理解和解释的推理。 另一方面,常识性知识图形是丰富的存储库,它编码了世界是如何构建的,以及一般概念如何互动。在本文中,我们给出原创 2021-08-16 15:10:21 · 654 阅读 · 0 评论 -
Trans SGG[after all,..Multi-modal Fusion Functions
after all,..Multi-modal Fusion Functions摘要1 INTRODUCTION AND MOTIVATION2 BASELINE SGG3 BACKGROUND4 METHODS5 EXPERIMENTS5.1 Experimental setup5.2 Dataset5.3 Metrics6 RESULTS AND DISCUSSION7 CONCLUSIONS摘要从物体分割到词向量表示,场景图形生成(SGG)成为一项建立在众多研究成果之上的复杂任务原创 2021-08-16 15:10:03 · 124 阅读 · 0 评论 -
SGG Trans【attribute:Deep Variation-structured Reinforcement】
Deep Variation-structured Reinforcement Learning for Visual Relationship andAttribute DetectionAbstractAbstract尽管诸如图像分类和检测等视觉感知任务取得了进展,但计算机仍难以理解场景中对象之间的相互依赖性,例如,对象或其属性之间的关系。现有方法通常会忽略捕获交互作用的全局上下文提示。 在不同的对象实例之间,并且通过对所有可能的关系进行详尽的训练,单个检测器只能识别少数几种类型。 为了捕获这样的全原创 2021-08-16 15:09:31 · 186 阅读 · 0 评论 -
Trans SGG[GPS-Net]
GPS-Net3.3. Adaptive Reasoning Module3.3. Adaptive Reasoning Module在通过DMP获得细化的节点特征和通过NPS-loss获得对象分类分数后,我们进一步提出了一个用于关系分类的自适应推理模块(ARM)。具体来说,ARM通过两个步骤为分类提供先验:频率软化和每个三联体的偏差适应。在下文中,我们将详细介绍这两个步骤。Frequency Softening受[7]中引入的频率基线的启发,我们采用关系的频率作为先验来促进关系分类的性能。然而,[原创 2021-08-16 15:09:05 · 362 阅读 · 0 评论