RU-Net：用于场景图生成的正则化展开网络
计算机视觉与模式识别
2022-05-04 v1
摘要
场景图生成（SGG）旨在检测物体并预测每对物体之间的关系。现有的 SGG 方法通常存在若干问题，包括 1）物体表示模糊，因为基于图神经网络的消息传递（GMP）模块通常对虚假的节点间相关性敏感；2）由于严重的类别不平衡和大量缺失标注，关系预测多样性低。为解决这两个问题，本文提出一种正则化展开网络（RU-Net）。我们首先从展开技术的角度研究 GMP 与图拉普拉斯去噪（GLD）之间的关系，确定 GMP 可表述为 GLD 的求解器。基于该观察，我们提出一种展开式消息传递模块，并引入基于 的图正则化以抑制节点间的虚假连接。其次，我们提出一种组多样性增强模块，通过秩最大化提升关系的预测多样性。系统性实验表明，RU-Net 在多种设置与指标下均有效。此外，RU-Net 在三个流行数据库 VG、VRD 和 OI 上取得了新的最优（SOTA）结果。代码见 https://github.com/siml3/RU-Net。
引用
@article{arxiv.2205.01297,
title = {RU-Net: Regularized Unrolling Network for Scene Graph Generation},
author = {Xin Lin and Changxing Ding and Jing Zhang and Yibing Zhan and Dacheng Tao},
journal= {arXiv preprint arXiv:2205.01297},
year = {2022}
}
备注
Accepted to CVPR 2022