m0_68621100的博客

场景图数据集中，关系的标注存在长尾问题，导致模型生成场景图时，物体间关系大部分是粗粒度的谓词（头部类），但辅助下游任务需要细粒度的关系（尾部类）提供更多信息，无偏场景图生成任务由此被提出，目的是消除数据集中的训练偏差来的影响。在没看这篇论文前，虽然在组会上接触了很多次无偏场景图，但对于无偏场景图的动机，整体的流程，方法针对什么，怎么起作用，其实没有太多自己的思考，在做完这篇汇报后才有了一定的理解。VG，VG150（由VG数据集中出现最频繁的150个物体类别和50个关系组成的数据集）

sword标志为论文复现结果， 表示FCSGG模型中独特的物体检测器和backbone，*为重采样策略的模型，在论文的方法（Ours）中 表示TOP-K取1时的性能，Time/Sec为生成一张场景图的耗时，可以看到论文方法在效率和性能上取得平衡，并且论文方法的mR@K远超过其他端到端方法（DETR类），说明论文方法能改善数据集标注中的长尾问题。，在指示特征子解码器中使用实体特征更新，更新后的指示特征能够感知与实体节点间的相关性，从而能更好的指示谓词节点寻找其对应的实体节点；

SGG初始模型只使用了隐性关系进行预训练，通过初始模型对数据集归纳后，利用新数据集对模型再训练，如图2，输入一张图像，生成场景图，对于隐性标签（蓝实线），论文方法在归纳操作中不进行处理，对于标注显性关系的样本X，使用训练的初始模型得到X的归纳标签，再将归纳标签和真实标签组合作为样本X新的真实标签，随后使用优化过的数据集再次训练。

Noisy Label Correction：论文方法，对噪声标签进行修正。for Robust Scene Graph Generation：论文任务，生成更鲁棒的场景图，鲁棒的场景图生成。

首句：一句话总结了论文的工作最大的特点，即基于对****. 特征匹配（这也是方法的核心）的探索提出的第二句：通过类比MVS回到**特征匹配**任务的本质，为了更好的进行特征匹配，引出了是这个网络的核心模块，利用类间类内注意力去增强图片间和图片内的长距离上下文信息。第三句：对论文方法进行补充。FMT的附加模块**Adaptive Receptive Field 自适应感受野模块ARF**：。作用：确保有一个平滑的特征范围；