摘要

随着计算机视觉技术的不断进步，为解决语义图像检索、图像字幕生成以及场景理解等更为复杂的任务，亟需实现更高层次的理解能力。场景理解因其高度复杂性以及缺乏有效的数据表示方式，长期以来一直是研究的重点课题。场景图（Scene Graph）作为一种强大的数据表示形式，能够更有效地捕捉场景的上下文信息，因而受到广泛关注。场景图的任务在于编码场景中所呈现的物体、其属性，以及物体之间的相互关系。由于场景图在复杂任务中展现出显著的能力，其自动生成的自动化已成为研究的迫切需求。为此，已有大量研究致力于利用不同的深度学习架构生成高精度的场景图。在这些架构中，物体检测模块是共有的核心组件，其作用是在输入图像中首先定位出各个物体。本文提出采用YOLOv5系列中最新的物体检测器——YOLOv5x6，用于场景图生成任务。实验结果表明，所提出的YOLOv5x6在该任务上取得了32.7的平均精度均值（mean average precision, mAP），达到了当前最先进的水平。此外，本文还系统回顾了文献中用于场景图生成任务的各类物体检测器。