视觉常识R-CNN，如何让机器更好地理解图片？

原创 shadow chi 无界社区mixlab

hi，大家好~我是shadow，一枚设计师/全栈工程师/算法研究员，目前主要研究方向是人工智能写作和人工智能设计，当然偶尔也会跨界到人工智能艺术及其他各种AI产品。这是我发在《人工智能Mix》的一篇论文阅读笔记。

文末了解《人工智能Mix》

视觉常识R-CNN

Visual Commonsense R-CNN

给定图像中检测到的一组对象区域（例如，使用Faster R-CNN），就像其他任何无监督的特征学习方法（例如word2vec，可以捕捉到语言的上下文关系）一样，VC R-CNN的代理训练目标是预测对象的上下文对象。

VC R-CNN的预测是使用因果干预：P （Y | do（X ）），而其他方法是使用常规可能性：P （Y | X ）。

如上图所示，由于缺乏常识，不难发现机器所犯的“认知错误”。仅使用视觉功能，即基于流行的Faster R-CNN ，机器通常无法描述确切的视觉关系（图像生成字幕示例），或者即使如果预测正确，则潜在的视觉注意力不合理。

- VC R-CNN的架构

最核心的是Do-expression（因果模块），其中Confounder Dictionary 干扰因子字典存储了常识。如下图所示：

如何理解上图呢？我们的视觉世界存在许多干扰因素，从可能性只能学习到伪相关的P，如上左图。作者举了个例子，如下图

机器识别到了Person、Toilet，那到底是什么会紧跟着person跟Toilet这个场景的出现？是sink，还是hanbag？还是chair？有这么一个Confounder Dictionary，见下图：

可见，

P(z=sink|X=toilet) > P(z=chair|X=toilet)，

于是

P(Y =person|X=toilet,z=sink) >P(Y =person|X=toilet,z=chair)

这样机器就可以预测小孩在马桶边的下一个对象可能是什么。

原文地址：

https://arxiv.org/pdf/2002.12204.pdf

代码：

https://github.com/Wangt-CN/VC-R-CNN

作者解读：

https://zhuanlan.zhihu.com/p/111306353

更多内容，欢迎在专栏《人工智能MIX》中讨论。

即将恢复原价

继续滑动看下一个