论文阅读：Graph R-CNN for Scene Graph Generation

原创

于 2018-09-08 12:54:49 发布 · 3.2k 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#scene understanding

本文深入探讨Graph R-CNN在场景理解中的作用，通过RePN（Relationship Proposal Network）减少计算量，采用邻接矩阵表示物体间关系，并结合注意力机制的GCN更新节点特征。同时，提出了新的性能评估指标SGGen+，强调了物体类别对关系预测的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Graph R-CNN(ECCV2018)

文章链接
如果遍历所有可能的关系对进行计算的话，计算量比较大，因此paper从faster R-CNN的RPN得到灵感，提出RePN，虽然之前就有一个叫RelPN的东西。实际上就是输入所有proposal的特征组成的矩阵，输出一个邻接矩阵，行列数为proposal的个数，矩阵的每个元素位于[0,1]之间，表示对应的两个proposal有关系的confidence。
paper提出的方法一共3步：object node extraction；relationship edge pruning；graph context integration:
这里写图片描述

paper采用了类似kernel的技巧来实现RePN:

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。