MMAug, 2020

HOSE-Net: 场景图生成的高阶结构嵌入网络

PDF
TL;DR本文提出了一种新的 Higher Order Structure Embedded Network (HOSE-Net) 模型，通过结构感知嵌入到分类器模块和逐层语义聚合模块，用于解决场景图生成中的场景结构问题，并在视觉基因组和 VRD 数据集上取得了最好的性能表现。
scene graph generationdeep neural networksobject detectionrelation classificationhigher order structure embedded network
发现论文，激发创造
  • LinkNet：场景图的关系嵌入

    本文提出了一种改进场景图生成的方法，通过显式建模整个对象实例的相互依赖关系，设计了一种简单而有效的关系嵌入模块，使我们的模型能够联合表示所有相关对象之间的连接，而不是只关注单个对象。在基本 Faster R-CNN 的基础上使用它，我们的模型在 Visual Genome 基准测试上取得了最先进的结果。通过引入全局上下文编码模块和几何布局编码模块，我们进一步提高了性能。在广泛的消融研究中，我们验证了我们的最终模型 LinkNet 在场景图生成方面的效果。

    Nov, 2018

  • 探索图解释中的高阶结构

    介绍了一种名为 HOGE 的框架，用于捕捉使用细胞复合体建模的高阶结构，可用于解释图神经网络的预测，并在实际应用中达到更清晰和更准确的解释。

    Jun, 2024

  • StructureNet: 用于 3D 形状生成的分层图网络

    StructureNet 是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的 3D 形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。

    Aug, 2019

  • 关注关系网络：将图像映射到场景图

    本研究提出了一种新颖的基于注意力机制的关系网络，其包含两个关键模块和一个目标检测主干以实现场景图自动生成，并在 Visual Genome 数据集上进行了实验验证其有效性和优越性。

    Nov, 2018

  • 通过自级联卷积神经网络完成超高分辨率图像的语义标注

    提出了一种基于 CNN 的新型深度模型（ScasNet），用于在具有高度复杂的城市环境下对非常高分辨率（VHR）图像进行语义标注。ScasNet 通过全局到局部环境聚合和粗到精微的细化策略，以及专用的残差校正方案，大大提高了标记的一致性和准确性，并在三个公共数据集上获得了最先进的性能。

    Jul, 2018

  • 通过学习图像描述实现深度结构场景解析

    本文提出了一种基于深度架构的场景理解方法，通过一个卷积神经网络和一个递归神经网络分别提取图像特征和分层物体结构，结合基于描述性语句的弱监督训练，实现场景图像的自动解析，该方法在 PASCAL VOC 2012 数据集上表现出色。

    Apr, 2016

  • 场景图生成的知识嵌入式路由网络

    通过深度神经网络和知识嵌入式路由网络，结合统计相关性和语义关系之间的知识图谱，实现了场景图的生成和推理，实验证明该方法优于现有技术，解决了因为世界关系分布不均衡导致的场景图推导的难题。

    Mar, 2019

  • 草图图像主旨：仿人分层场景图生成

    介绍了一种新的场景图生成方法，该方法利用人类对图像给出主要对象和关键关系的认知习惯构建一个基于层次结构的人类模拟分层实体树，利用 Hybrid-LSTM 对树进行解析来生成场景图，并且设计了一个关系排序模块，动态调整场景图中的关键关系的排序来提升图像的下游任务表现。

    Jul, 2020

  • 深度超图结构学习

    为优化基于超图的数据表示学习中的超图结构，我们提出一种名为 DeepHGSL 的深度学习超图结构学习的通用范式，并引入信息瓶颈原理来构建损失函数，以减少超图结构中的噪声信息，从而提取更加鲁棒的特征表达，在四个基准数据集上的实验结果表明了模型的有效性和鲁棒性。

    Aug, 2022

  • RSG-Net: 面向智能车辆在复杂环境中富语义关系预测

    该研究提出了一种通过使用图卷积网络来预测自动驾驶车辆周围物体间的潜在语义关系的方法，并产生了称为 “路景图” 的图形结构结果，为风险检测、环境理解和决策制定等任务提供了基本方法。

    Jul, 2022