基于统计频率的 baseline 方法

1引言

场景图是一种结构表示，它将图片中的对象表示为节点，并将它们的关系表示为边。最近，场景图已成功应用于不同的视觉任务，例如图像检索[3]、目标检测、语义分割、图像合成[4]和高级视觉-语言任务（如图像字幕[1]或视觉问答[2]等）。它是一种具有丰富信息量的整体场景理解方法，可以连接视觉和自然语言领域之间巨大差距的桥梁。

虽然从单个图像生成场景图（静态场景图生成）取得了很大进展，但从视频生成场景图（动态场景图生成）的任务是新的且更具挑战性。最流行的静态场景图生成方法是建立在对象检测器之上的，然后推断它们的关系类型以及它们的对象类。然而，物体在视频序列的每一帧中不一定是一致的，任意两个物体之间的关系可能会因为它们的运动而变化，具有动态的特点。在这种情况下，时间依赖性发挥了作用，因此，静态场景图生成方法不能直接应用于动态场景图生成，这在[5]中进行了充分讨论。

图1. 场景图分类

2 静态场景图

2.1 任务定义

静态场景图生成任务（Staticscene graph generation）目标是让计算机自动生成一种语义化的图结构（称为 scenegraph，场景图），作为图像的表示。图像中的目标对应 graph node，目标间的关系对应 graph edge（目标的各种属性，如颜色，有时会在图中表示）。 这种结构化表示方法相对于向量表示更加直观，可以看作是小型知识图谱，因此可以广泛应用于知识管理、推理、检索、推荐等。此外，该表示方法是模态无关的，自然语言、视频、语音等数据同样可以表示成类似结构，因此对于融合多模态信息很有潜力。

图2.静态场景图生成任务图例

2.2 数据集

Visual Genome（VG）[6]于2016年提出，是这个领域最常用的数据集，包含对超过 10W 张图片的目标、属性、关系、自然语言描述、视觉问答等的标注。与此任务相关的数据总结如下：

物体：表示为场景图中节点，使用bounding box标注物体的坐标信息，包含对应的类别信息。VG包含约17000种目标。

关系：表示为场景图中边，包含动作关系，空间关系，从属关系和动词等。VG中包含约13000种关系。

属性：可以是颜色，状态等。Visual Genome 包含约 155000 种属性。

2.3 方法分类

方法分类如下：

P(O,B,R | I) = P(O,B | I) * P(R| I,O,B)，即先目标检测，再进行关系预测（有一个专门研究该子任务的领域，称为研究视觉关系识别，visual relationship detection）。最简单的方法是下文中基于统计频率的 baseline 方法，另外做视觉关系检测任务的大多数工作都可以应用到这里。

P(O,B,R | I) = P(B | I) * P(R,O| I,O,B)，即先定位目标，然后将一张图片中所有的目标和关系看作一个未标记的图结构，再分别对节点和边进行类别预测。这种做法考虑到了一张图片中的各元素互为上下文，为彼此分类提供辅助信息。事实上，自此类方法提出之后[7]，才正式有了 scenegraph generation 这个新任务名称（之前基本都称为visual relationship detection）。

2.4 评价指标

最常用的评价指标是 recall@topk, 即主谓宾关系三元组 在选取前 k 个最可信预测结果的召回率。三元组的confidence score一般采用 score(subject) * score(object) * score(predicate) 。如果在排序时，一对目标只选取最可信的那组关系来排序，则称之为 constrained scene graph generation；如果一对目标所有的关系三元组都参与排序，即一组目标可能预测多个关系，则称之为 unconstrained scene graph generation。这两种方式分别对应两种 recall 指标。

3 动态场景图

3.1 任务定义

动态场景图与静态场景图不同，动态场景图以视频作为输入，输出分为两种情况：输出每一帧对应的场景图（帧级别场景图）；输出每一段视频对应的场景图（片段级别场景图）。这种结构化的表示可以表征实体之间随时间变化的动作及状态。

图3.静态/动态场景图区别示例

3.2 帧级别

3.2.1数据集

Action Genome该数据集是Visual Genome表示的带时间版本，然而，Visual Genome的目的是详尽的捕捉图中每一个区域的物体和关系，而Action Genome的目标是将动作分解，专注于对那些动作发生的视频片段进行标注，并且只标注动作涉及的对象。Action Genome基于Charades进行标注，该数据集包含157类别动作，144个是人类-物体活动。在Charades中，有很多动作可以同时发生。共有234253个frame，476229个bounding box，35个对象类别，1715568个关系，25个关系类别。

3.2.2 方法

Spatial-temporalTransformer（STTran）[8]：一种由两个核心模块组成的神经网络：一个空间编码器，它采用输入帧来提取空间上下文并推断帧内的视觉关系，以及一个时间解码器它将空间编码器的输出作为输入，以捕获帧之间的时间依赖性并推断动态关系。此外，STTran 可以灵活地将不同长度的视频作为输入而无需剪辑，这对于长视频尤为重要。

图4.STTrans模型结构

3.2.3 主实验结果

图5.STTrans模型实验结果

3.2.4 样例测试

图6. 样例

3.3 片段级别

3.3.1 数据集

VidVRD提出了一个新颖的VidVRD任务，旨在探索视频中物体之间的各种关系，它提供了一个比ImgVRD更可行的VRD任务，通过目标轨迹建议、关系预测和贪婪关系关联来检测视频中的视觉关系，包含1000个带有手动标记的视觉关系的视频，被分解为30帧的片段，其中由15帧重叠，再进行谓词标记。30类+（人、球、沙发、滑板、飞盘）=35类（独立，没有对象之间的包含关系），14个及物动词、3个比较词、11个空间谓词，11个不及物动词，能够衍生160类谓词。

3.3.2 方法

VidSGG提出了一个新的框架，在此框架下，将视频场景图重新表述为时间二分图，其中实体和谓词是两类具有时隙的节点，边表示这些节点之间的不同语义角色。

图7.VidVRD任务示例

图8.BIG-C模型结构

3.3.3 主实验结果

图9.BIG-C模型实验结果

3.3.4 样例测试

图10.对话情绪识别示例

审核编辑：彭静