참고 자료 : https://www2.cs.sfu.ca/~oschulte/files/talks/ACCV2018_presentation.pdf [15], [16] 논문과 마찬가지로 강화학습 Q-Learning을 이용하여 장면 그래프를 생성하는 모델입니다. 추가로 메세지 패싱을 위해 Graph Neural Network를 사용하였습니다. ▶Deep Generative Probabilistic Graph Neural Networks(DG-PGNN) ▶Q-learning사용(state, action, reward 존재) => State: 현재의 그래프 상태 => Action: 새로운 노드를 선택하는 것 => Reward: ground truth와 IoU를 비교하여 결정 ▶노드수가 고정된 다른 연구들과 달리 매 ..

논문 링크 : https://ojs.aaai.org//index.php/AAAI/article/view/6783 [15] 논문과 마찬가지로 강화학습 Q-Learning을 이용하여 장면 그래프를 생성하는 모델입니다. 추가로 메세지 패싱을 위해 Graph Neural Network를 사용하였습니다. ▶Deep Generative Probabilistic Graph Neural Networks(DG-PGNN) ▶Q-learning사용(state, action, reward 존재) => State: 현재의 그래프 상태 => Action: 새로운 노드를 선택하는 것 => Reward: ground truth와 IoU를 비교하여 결정 ▶노드수가 고정된 다른 연구들과 달리 매 스텝마다 그래프에 새로운 노드 추가 ​ ..

논문 링크 : https://openaccess.thecvf.com/content_cvpr_2017/papers/Liang_Deep_Variation-Structured_Reinforcement_CVPR_2017_paper.pdf ​ Github : https://github.com/nexusapoorvacus/DeepVariationStructuredRL 이 논문은 강화학습을 이용하여 scene graph 생성하는 모델인 "Deep variation-structured Reinforcement Learning(VRL)"를 제안한 논문입니다. 또한, 관계만 예측하던 다른 연구들과는 다르게 물체의 속성도 함께 예측합니다. ▶강화학습 알고리즘 중 하나인 Deep Q-Learning을 사용하여 장면 그래프를 ..

논문 링크 : https://onlinelibrary.wiley.com/doi/full/10.4218/etrij.2019-0093 이전 논문과 비슷하게 관계 탐지에 있어 자연어를 사용하고자 한 논문입니다. ▶ ‘관계’를 language, visual, spatial cue로 연관지어 생각 - language: monkey와 banana는 ‘wear’보다 ‘eat’이 더 적합함 - visual: 이미지 feature - spatial: banana는 monkey의 손과 입에 더 가까이 있을 수 있음 => 세 가지 정보가 서로 다른 네트워크를 거치도록 설계 ▶ 보다 정교한 언어 공간벡터를 얻기 위해 노력 ​ ​ 1. Object Detection - Faster R-CNN사용 ​ 2. 다양한 모듈들 ▶ Sp..