左边的目标检测就不说了，直接看中间的GPS-Net
1.DMP(Direction-Aware Message Passing)
方向敏感的消息传递
其中：
xi和xj是结点特征，视觉特征、物体分类置信度、空间特征cat在一起，再映射到512维
uij是i和j的union box的特征
然后eij做正则化得到αij，并把αij和αji叠起来，如下式所示
Ni的意思是结点i的邻接结点
以上是下面DMP示意图的绿色部分，即方向敏感的上下文建模
下面是橙色部分，即Transformer层
2.NPS-loss(Node Property Sensitive Loss)
结点优先度敏感loss
参照的是focal loss，我个人对这个focal loss是这样理解的：
举个例子，如果一个样本是正样本(gt=1)，且模型预测的概率是0.9(pt=0.9)，从直觉上理解，这个样本就是容易分类的，那么1-pt=0.1，log前面的系数(0.1的γ次方)就是一个很小的数，这代表这个容易分类的样本不占loss太大的权重，不用重点关注；
如果还是这个样本(gt=1)，但是模型预测的概率只有0.1，那么从直觉上讲，这个样本就属于难分类的样本，1-pt=0.9，那么它的权重就变大了(0.9的γ次方)，也就是所谓的“更关注难分类的样本”
回到论文中的NPS-Loss，首先计算θi，即结点i的优先度，ti是结点i所在的三元组数量，T是这张图片总共含有的三元组数量
θi越大，说明这个结点优先度越高，但是γ(θi)越小，因为优先度高的结点是易分类样本；优先度低的结点是难分类样本，γ会更大一些
下面这个式子就是focal loss了
注：NPS-Loss只用于物体分类
3.ARM(Adaptive Reasoning Module)
自适应推理模块
首先对各类谓语的频率做了log softmax
最终的谓语概率分布：
这个式子的意思是根据物体对的视觉特征去调整bias
--------------------------------------一些碎碎念----------------------------------------
开始逐渐习惯居家生活
并且不想回学校：(
过了这周就可以结两门课了好快啊
希望实验一切顺利