摘要

大量关于相对属性的研究提供了有力证据，表明在视觉属性强度连续体上对图像对进行关联建模，能够在多种视觉任务中显著提升性能。本文中，我们展示了图神经网络（Graph Neural Networks, GNNs）领域新兴思想如何为广泛归属于相对属性学习的各类问题提供统一的解决方案。我们的核心思想是：相对属性学习天然受益于利用图像间不同相对属性之间的依赖关系图结构，尤其是在训练数据仅提供部分顺序关系的情况下。为此，我们基于概率图模型中的消息传递机制，实现图像表示、图像间关系以及不同属性之间交互作用的端到端联合学习，以最优地匹配给定的标注信息。实验结果表明，该基于GNN的简单端到端学习框架在相对属性学习与二元属性预测任务中均能取得与专门设计方法相媲美的高精度，同时显著降低了对训练数据的要求，或减少了模型参数数量，或两者兼而有之。