视觉关系变换器用于无偏场景图生成
原文中文，约300字，阅读约需1分钟。发表于：。近年来，场景图生成在视觉场景理解任务中受到越来越多的关注。本文提出了一种名为 VETO 的视觉关系变换器，采用新颖的实体关系编码器以捕捉实体的局部级线索，并引入一种名为 MEET 的互斥专家学习策略以消除对头部或尾部类别的偏见，实验结果表明，VETO + MEET 的预测性能比现有技术高出 47 个百分点，并且尺寸缩小了 10 倍。
本文介绍了VETO，一种用于生成场景图的视觉关系变换器。它采用新颖的实体关系编码器和互斥专家学习策略，能够捕捉实体的局部线索并消除偏见。实验结果显示，VETO + MEET的预测性能比现有技术高出47个百分点，且尺寸缩小了10倍。
