这篇论文的思想也挺简单的：目标检测网络+box attention input
那么，attention map又是什么呢？
attention map是与原图像大小相同，channel为3的二值图，第一维channel表示的是图像上的主语bbox。如果第一维是empty，第二维就是全1，第三维就是全0。如果第一维不是empty就倒过来。
把attention map加到目标检测网络也很简单：
训练时：
如果一张图片里有k个主语，那么首先把这张图片复制k份，每一份附上主语的attention map，同时与这个主语相关的宾语及谓语作为gt，这是k个训练样本。再把这张图片复制一份，附上empty attention map，同时全部主语作为gt，这是第k+1个训练样本。
测试时：
先输入图片和empty attention map到模型中，输出主语bbox和主语类别。再从主语bbox中提取attention map，再输入一次模型，就得到与主语相关的宾语的bbox、宾语和谓语类别。然后将主谓宾三者的置信度相乘，分数最高就是最终的结果了。
------------------------------------一些碎碎念---------------------------------------
今天大师兄已经回实验室了QAQ
我不想那么早回去
我还想再苟苟嘤。
后天去看这个杀手不太冷静
这总不能踩雷了吧。