这篇论文不是讲场景图的，但它跟场景图很相关。查了一下这篇论文的领域应该是HOI Detection，就是人类与物体的交互检测，后面的实验做的是image retrieval的结果。

训练：
1.目标检测

2.提取主语s，宾语o，谓语p，三元组vp的视觉嵌入特征
主语和宾语的视觉特征就是目标检测器最后一层的输出
谓语的视觉特征是主宾对的空间特征
三元组的特征是主语宾语的视觉特征+它们的空间坐标特征，即前两者的融合
现在得到了上述的四种视觉特征，通过两层fc得到四种视觉嵌入特征。注意：四种嵌入函数是不同的。
视觉嵌入特征分别表示为v^s,v^o,v^p,v^vp

3.提取主语s，宾语o，谓语p，三元组vp的语言嵌入特征
主谓宾这三者的初始语言特征就是word2vec的向量，三元组的则是把主谓宾的word2vec向量cat在一起
现在得到了上述的四种语言特征，同样通过两次fc得到四种语言嵌入特征。这四种嵌入函数也是不同的。
语言嵌入特征分别表示为w^s,w^o,w^vp,w^p

4.训练类比转移修正函数Γ
给定为原三元组(s,p,o)，表示为t，t’为目标三元组(s’,p’,o’)
Γ是将w^vp_t 转换为w^vp_t’ 的修正，这里注意都是针对word的
Γ的计算公式如下：
这里的主谓宾三者都是在vp空间的特征

具体的转换公式如下：
如果t和t’的主语和谓语一样，那么Γ里面的就是[0 0 wo’-wo]

5.计算每个备选三元组的权重，即w^vp_u
备选三元组是与目标三元组相似的三元组，例如主语都是person。
计算权重的公式如下：
t是原三元组，t’是目标三元组

目标三元组的语言特征如下式所示：
t是源三元组，u是目标三元组，N_u是相似的源三元组

6.损失函数
首先通过优化 L_joint来学习投影函数的参数，然后激活类比损失L_Γ。我感觉这里论文的意思应该是先通过L_joint学习嵌入特征表示，然后再通过L_Γ学Γ的参数
损失函数是让视觉嵌入特征和语言嵌入特征尽可能相似
L_joint= L_s+ L_o+L_P+L_vp
每一个分支的loss都如下式计算：

L_r：源三元组的w^vp_u和目标三元组视觉嵌入特征的loss
论文中没有给出具体的计算公式，我觉得应该是只有vp这个域的loss

测试：

给出一个query，模型自动找出与这个query相似的三元组，每一个三元组计算w^vp，再计算它们的权重，最终得到w^vp_u，然后计算图像的视觉嵌入特征v^vp，将二者求相似性分数，最相似的图像就是搜索结果了。

-------------------------------------一些碎碎念-----------------------------------------
马上就要过年了。
我给自己定了个四篇论文的计划（年前）。
我在想桃子。