摘要

场景图生成（Scene Graph Generation, SGG）旨在从图像中提取（主语，谓语，宾语）三元组。近年来，SGG领域取得了稳步进展，为高层次视觉和语言理解提供了有用的工具。然而，由于数据分布问题的存在，包括长尾分布和语义模糊性，当前的SGG模型预测往往倾向于几个常见的但信息量不足的谓语（例如，“在...上”，“在...处”），这限制了这些模型在下游任务中的实际应用。为了解决上述问题，我们提出了一种新颖的内部和外部数据传输（Internal and External Data Transfer, IETrans）方法，该方法可以以即插即用的方式应用，并扩展到具有1,807个谓语类别的大规模SGG。我们的IETrans通过自动创建一个增强的数据集来缓解数据分布问题，该数据集为所有谓语提供更加充分且连贯的注释。通过在增强数据集上进行训练，Neural Motif模型的宏观性能翻倍提升，同时保持了竞争力的微观性能。代码和数据已在https://github.com/waxnkw/IETrans-SGG.pytorch 公开发布。