[論文レビュー] Prototype-based Embedding Network for Scene Graph Generation

Chaofan Zheng, Xinyu Lyu+3 more|arXiv (Cornell University)|Mar 13, 2023

Multimodal Machine Learning Applications被引用数 5

ひとこと要約

この論文は、クラス内ばらつきを低減し、クラス間類似度を軽減するために、意味的プロトタイプを用いてエンティティと述語をモデル化する、新しいシーングラフ生成手法であるプロトタイプベース埋め込みネットワーク（PE-Net）を提案する。プロトタイプ誘導学習とプロトタイプ正則化を活用することで、Visual GenomeおよびOpen Imagesで最先端の性能を達成し、コンパクトで特徴的な表現により関係予測の正確性を顕著に向上させる。

ABSTRACT

Current Scene Graph Generation (SGG) methods explore contextual information to predict relationships among entity pairs. However, due to the diverse visual appearance of numerous possible subject-object combinations, there is a large intra-class variation within each predicate category, e.g., "man-eating-pizza, giraffe-eating-leaf", and the severe inter-class similarity between different classes, e.g., "man-holding-plate, man-eating-pizza", in model's latent space. The above challenges prevent current SGG methods from acquiring robust features for reliable relation prediction. In this paper, we claim that the predicate's category-inherent semantics can serve as class-wise prototypes in the semantic space for relieving the challenges. To the end, we propose the Prototype-based Embedding Network (PE-Net), which models entities/predicates with prototype-aligned compact and distinctive representations and thereby establishes matching between entity pairs and predicates in a common embedding space for relation recognition. Moreover, Prototype-guided Learning (PL) is introduced to help PE-Net efficiently learn such entitypredicate matching, and Prototype Regularization (PR) is devised to relieve the ambiguous entity-predicate matching caused by the predicate's semantic overlap. Extensive experiments demonstrate that our method gains superior relation recognition capability on SGG, achieving new state-of-the-art performances on both Visual Genome and Open Images datasets.

研究の動機と目的

• 主語・目的語ペairの多様な視覚的外観に起因する述語表現における大きなクラス内ばらつきを是正すること。
• 視覚的に似ているが意味的に異なる述語（例：'eating' と 'holding'）の間で深刻なクラス間類似度を軽減すること。
• 共有埋め込み空間におけるコンパクトで特徴的なプロトタイプ整合表現を用いてエンティティと述語をモデル化することで、関係認識を向上させること。
• 意味的および視覚的曖昧性にもかかわらず、堅牢なエンティティ-述語マッチングを可能にする訓練戦略を開発すること。
• メッセージ伝達モジュールに依存せずに、標準的なSGGベンチマークで最先端の性能を達成すること。

提案手法

• PE-Netは、クラス固有の意味的性質を用いて特徴学習を誘導する、共有埋め込み空間におけるプロトタイプ整合表現としてエンティティおよび述語をモデル化する。
• プロトタイプ誘導学習（PL）は、埋め込み空間における類似度およびユークリッド距離損失を最小化することで、エンティティペアと述語のマッチングを最適化する。
• プロトタイプ正則化（PR）は、意味的重複がある述語同士の間でクラス間の区別を強化するために、異なる述語のプロトタイプを押し離すように設計されている。
• モデルは最終的なエンティティ-述語埋め込みに線形分類器を適用して関係を予測し、複雑なメッセージ伝達モジュールを回避する。
• 関係予測とプロトタイプ整合の目的関数を組み合わせたマルチタスク損失を用いて、エンドツーエンドで訓練する。
• プロトタイプ埋め込みは事前学習済みのテキスト埋め込みを初期値とし、訓練中に視覚特徴と整合するように精錬される。

実験結果

リサーチクエスチョン

• RQ1 意味空間におけるプロトタイプベース表現が、述語特徴のクラス内ばらつきを低減できるか？
• RQ2 プロトタイプ正則化が、視覚的に似ているが意味的に異なる述語（例：'eating' と 'holding'）を効果的に区別できるか？
• RQ3 プロトタイプ誘導学習が、シーングラフ生成におけるエンティティ-述語マッチングの正確性を向上させられるか？
• RQ4 メッセージ伝達モジュールに依存しないプロトタイプベースアプローチが、既存のSGG手法を上回れるか？
• RQ5 本手法は、ベースラインモデルと比較して、どの程度微細な述語認識を向上させられるか？

主な発見

• Visual Genomeデータセットにおいて、PE-NetはPredClsタスクでmR@100が33.8%を達成し、ベースライン（25.4%）と比べ顕著な向上を示した。
• Open Imagesデータセットでは、PE-Netは新たな最先端の結果を達成し、多様な視覚的分布にわたる強力な一般化性能を示した。
• モデルは表現品質指標を低減した：IV-O（0.74）およびIIVR-O（0.24）、これは非常にコンパクトで特徴的な埋め込みを示している。
• 可視化結果から、PE-NetはMotifsと比較して、より微細かつ正確な関係（例：'on' ではなく 'parked on'）を生成することが分かった。
• アブレーションスタディにより、プロトタイプ誘導学習およびプロトタイプ正則化の両方が不可欠であることが確認され、特にPRがクラス間の区別に顕著な貢献をした。
• ヘッド述語におけるRecall@Kのわずかな低下にもかかわらず、モデルは「standing on」や「walking on」などのより具体的なバージョンに「on」を正しく割り当てることで、微細分類性能を向上させた。