A Review and Efficient Implementation of Scene Graph Generation Metrics

场景图生成已成为计算机视觉中一个突出的研究领域，在近年来取得了显著的进展。然而，尽管取得了这些进展，但评估场景图生成模型所使用的度量的精确和全面的定义仍然缺乏。本文通过回顾和精确定义场景图生成中常用的度量，来填补文献中的这一空白。我们全面的检查澄清了这些度量的基本原则，并可作为场景图度量的参考或介绍。 此外，为了方便使用这些度量，我们介绍了一个名为SGBench的独立Python包，该包有效地实现了所有定义的度量，确保它们对研究社区的可访问性。此外，我们还提供了一个场景图基准测试网络服务，使研究人员能够比较场景图生成方法，并在一个中心位置增加新方法的可见性。我们所有的代码都可以在https://lorjul.github.io/sgbench/找到。

本论文旨在提供对场景图生成模型常用指标的准确定义和全面评估，以填补该领域缺乏精确和全面定义指标的空白。同时，为了方便研究人员使用这些指标，论文提出了一个名为SGBench的Python包，有效地实现了所有定义的指标，并在一个中心位置提供了一个场景图基准测试网络服务，使研究人员能够比较场景图生成方法并增加新方法的可见性。

本论文提出了一个准确定义和全面评估场景图生成模型常用指标的方法，并提出了一个Python包和一个场景图基准测试网络服务，以方便研究人员使用这些指标。

论文提供了一个清晰的场景图生成模型常用指标的定义和解释，并提供了一个SGBench Python包和一个场景图基准测试网络服务，以方便研究人员使用这些指标。此外，论文还介绍了使用的数据集和实验设计，并提供了开源代码。这项工作为场景图生成模型的评估提供了有价值的参考，并为该领域的未来研究提供了方向。

最近在场景图生成领域中的其他相关研究包括：“Graph R-CNN for Scene Graph Generation”、“Neural Motifs: Scene Graph Parsing with Global Context”和“Scene Graph Generation from Objects, Phrases and Region Captions”。