Scene Graph Generation with Enhanced Data Transfer and Human Triplet Collaboration
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本文介绍了多种场景图生成（SGG）模型的改进方法，包括TISGG模型、IETrans方法和自我训练框架（ST-SGG）。这些方法旨在解决长尾问题和三元组识别困难，实验结果表明它们在性能上有显著提升。
❓
Q&A
TISGG模型的主要优势是什么？
TISGG模型在Visual Genome数据集上的zero-shot recall提升了11.7%，有效解决了长尾问题和三元组识别困难。
IETrans方法是如何改善场景图生成的？
IETrans方法通过自动创建增强的数据集，解决了长尾分布和语义歧义问题，使宏性能翻倍。
自我训练框架（ST-SGG）是如何缓解长尾问题的？
ST-SGG利用未标注的三元组和新型伪标记技术，提升了细粒度谓词类的性能，缓解了长尾问题。
组合特征增强（CFA）策略的目的是什么？
CFA策略通过增加三元组特征的多样性，解决现有偏差问题，并在多种场景图生成框架中取得最优性能。
Triplet Graph Transformer (TGT)的创新点是什么？
TGT通过三元关注机制和聚合机制提高训练效率和模型性能，并在多个分子性质预测基准上达到了新的最先进结果。
Trico方法如何补充缺失的谓词？
Trico方法通过探索三种互补的时空相关性来补充缺失的谓词，验证了其在VidSGG数据集上的卓越性能。
🏷️
