The architecture of RLSV is a three-layered hierarchical projection that projects a visual triple onto the attribute space, the relation space, and the visual space in order.

VTransE

The **extensibility** and **inference speed** of a SGG framework is crucial for accelerating down-stream tasks. This paper studied the efficiency and scalability in SGG ## Insights 最大的亮点是将相似的相互作用区域的对象对聚集到子图中并共享短语表示（称为子图特征），然后再在子图上refine

我的想法是将场景进行panoptic segmentation 之后再在每个物体上进行hierarchical part relation detection，异曲同工。

RelTR是自下而上的方法, 使用基于Transformer的 object detector（例如DETR）生成对象候选者，然后使用relation transformer来预测object pairs之间的关​​系。它还设计了一种基于积分的关系表示方法，该方法将关系编码为二维矢量场。

One stage relation detection (detects objects and relations simultaneously).

这个模型受启发于CenterNet，通过添加一个新的用于生成RAF的卷积头来获取物体之间的关系。

具体RAF是如何定义的，以及如何训练(Loss)：

Results

这篇看不懂。。。 Can effectively utilize structural information in the output space