未完。。
理解视觉场景不仅仅是孤立地识别单个物体。对象之间的关系也含有关于场景的丰富语义信息。在本文中，我们使用场景图显式地建模了对象及其关系，场景图是图像的可视化图形结构。我们提出了一种新的端到端模型，该模型从输入图像生成所需的结构化场景表示。该模型使用标准RNN解决场景图推理问题，并通过消息传递学习迭代改进其预测能力。我们的联合推理模型可以利用上下文线索来更好地预测对象及其关系。 实验表明，我们的模型明显优于以前使用Visual Genome数据集生成场景图的方法，并推断出与NYU Depth v2数据集的支持关系。