CVPRFeb, 2020

从有偏训练数据中生成无偏场景图

PDF
TL;DR本文通过因果推断方法构建了一个场景图生成的因果图，并通过传统偏差训练和反事实因果关系推断方法去除其不良偏差，最终提出了一个基于 Total Direct Effect 的无偏差 SGG 框架。
scene graph generationtraining biascausal inferencecounterfactual causalitytotal direct effect
发现论文，激发创造
  • 通过去偏向性生成信息场景图

    为解决语义空间层面和样本训练层面的不平衡问题，在场景图生成中提出了一种名为 DB-SGG 的有效框架，通过语义去偏见和平衡谓词学习的组件集成，超过 Transformer 136.3％、119.5％和 122.6％的 mR@20，在三个场景图生成子任务上，应用于 SGG 模型，并在句子到图形检索和图像字幕的两个下游任务上得到验证。

    Aug, 2023

  • 从有偏的场景图中恢复无偏的场景图

    本文提出一种基于 PU 学习和动态标签频率估计的方法，通过有效利用标签频率从而解决场景图生成中的长尾问题和报告偏差，实现更准确的标签估计和更平衡的场景图生成。

    Jul, 2021

  • 视频中无偏场景图生成

    该研究提出了一个名为 TEMPURA 的框架，通过基于 Transformer 的序列建模，学习合成无偏差的关系表示，并使用高斯混合模型来减少视觉关系的预测不确定性，从而解决视频动态场景的场景图生成中存在的多种问题。该方法在生成更加无偏的场景图方面具有显著的优势。

    Apr, 2023

  • 视频场景图生成的元空间时偏差校正

    本研究提出了一种基于元学习的 Meta Video Scene Graph Generation (MVSGG) 框架，用于从支持集和若干查询集中构建训练数据并通过元训练和测试过程指导模型学习以针对空间时间条件偏差进行泛化，以提高视频场景图生成的泛化性能。

    Jul, 2022

  • CogTree: 无偏见场景图生成的认知树损失

    本研究从认知角度研究解决 Scene Graph Generation 领域中偏差数据的问题，提出了一种新的解决方案 —— 建立一种基于偏差预测结果的层次认知结构，通过对结构进行模糊到精细的遍历，实现关注尾部关系的目的。该方案使用 CogTree loss 作为 Debiasing loss，可用于现有多种主流模型的性能优化。

    Sep, 2020

  • 从整体到特定：通过平衡调整进行信息化场景图生成

    本研究提出了一种基于平衡调整的场景图生成框架 ——BA-SGG，该框架通过语义平衡调整和平衡谓词学习两个组件分别对信息谓词和常见谓词之间的两种不平衡进行调整，有效提高场景图生成的性能。在 Visual Genome 数据集中，与变压器模型相比，我们的方法在三个子任务中的平均回收率分别提高了 14.3％，8.0％和 6.1％。

    Aug, 2021

  • 通过两阶段因果建模实现无偏场景图生成

    本文提出了一种使用因果推理的场景图生成任务去偏置化的方法，其中包含两个阶段的因果建模，第一阶段是因果表示学习，第二阶段是自适应逻辑调整，实验结果表明该方法可以在头尾关系之间实现更好的平衡，达到最先进的性能表现。

    Jul, 2023

  • 物体关系预测的逻辑偏差学习

    通过因果推断进行对象关系预测的场景图生成方法，结合对象增强模块，在 Visual Gnome 150 数据集上取得了有效的实验结果，为决策模型的基础建模提供了巨大潜力。

    Oct, 2023

  • 减少偏差的模型生成场景图

    提出了一种基于自学知识的场景图生成模型训练方案，使用两个关系分类器减少标注偏差和稀疏标注造成的影响，并在多个标准场景图生成任务中观察到了显著的相对改进。

    Aug, 2020

  • 堆叠式混合注意力和群组协作学习用于无偏场景图生成

    本文提出了一种基于 Scene Graph Generation 的方法，使用 Stacked Hybrid-Attention network 作为编码器，Group Collaborative Learning 作为解码器优化策略，实现对视觉语言融合不足、信息不全的问题的提升。

    Mar, 2022