论文阅读：Zoom-Net: Mining Deep Feature Interactions for Visual Relationship Recognition

Zoom-Net（ECCV2018）

文章
  Paper展示了通过对local的object feature和global的predicate feature进行深层次的message passing和interaction是增强relationship recognization性能的一个有效途径。为了能够对object和predicate学习好的特征，paper研究了3种可解释的模型。

1）Appearance Module（b）：
  关注每个RoI的自身依赖性，不使用message passing，独立地对object和predicate特征进行学习，而且无法获得空间和上下文的信息。
2）Context-Appearance Module（c）：
  直接在subject，predicate，object三个分支中进行信息的传递，但是这些特征信息的组合并不考虑这些RoI在原图中的空间分布。
3）Spatiality-Context-Appearance Module（d）：
  空间特征是指比如subject和object之间的相对尺寸和位置
接下来是paper提出的模型的细节：

1）Constractive RoI Pooling：
  代表了一个<RoI, deRoI>的操作，首先对object进行RoI pooling得到归一化的局部特征，然后将这些特征进行deRoI pooling到predicate的box内，然后在该特征周围