Entity Relation Fusion for Real-Time One-Stage Referring Expression Comprehension 2021

**本文内容仅代表个人理解，如有错误，欢迎指正**

*****（原论文在方法部分写得有点套娃的意思，实在是有点乱，内心os：心平气和心平气和）

1. Problems

- 这篇论文主要提出两个问题：

1) 用一个向量来对Query进行表示，没有对Query当中丰富的物体关系进行推理，即没有有效地利用Query中的信息。

2) 采用特征金字塔提取图像不同层级的特征，得到不同尺度的特征图。分别在不同尺度的特征图上对目标物体进行框选，忽略了处于不同尺度特征图上的物体之间的相关性。

2. Points

1. 提出Entity Relation Fusion Network (ERFN)模型

2. 提出Language Guided Multi-Scale Fusion (LGMSF)模型，以语言为指导，将不同尺度特征图上的物体表示融合为一张特征图。

“Language Guided Multi-Scale Fusion(LGMSF) model for extracting different visual featureof objects with different scales on one feature map. ”

3. 提出Relation Guided Feature Fusion (RGFF)模型，在自注意力的基础上，通过从Query中提取出实体信息来增强特征图中目标的特征表示，通过从Query中提取物体之间的关系来指导物体特征融合。

“Relation Guided Feature Fusion(RGFF) model extract