论文阅读：Tensorize, Factorize and Regularize: Robust Visual Relationship Learning

Relational learning module（CVPR2018）

文章
  本文的基础的visual relationship detection框架还是iterative message passing那套，不过想办法加入了relationship的分布先验知识

  如果对整个数据集分析的话，假设一共有n类object，m类predicate，统计不同的sub-pre-obj，可以得到一个nxnxm的张量，这个张量可以看作m个nxn的矩阵堆叠的，每个矩阵对于一种predicate，假设第k个矩阵，其第(i,j)个元素则表示visual phrase (i-k-j)的出现次数。这个张量有一个特点就是很稀疏，而且不对称，因为有很多物体之间的某些关系在数据集出现很少甚至没有。事实上几乎只有约1%的可能关系被dataset包含了，也就是有很多数据缺失。
  直接用上面这个稀疏的张量当做先验的话几没有太大用处，因为很多0，于是paper想办法先将其分解，然后重组。由于张量很稀疏，每个object都可以有r维的隐藏表示，于是可以将所有物体的表示设为A（nxr的矩阵），对于每个关系k，有一个关系因子矩阵R_k