目录
主要贡献点有两条：
1. 提出了一种relation module，可以在以往常见的物体特征中融合进物体之间的关联性信息，同时不改变特征的维数，能很好地嵌进目前各种检测框架，提高性能
2. 在1的基础上，提出了一种特别的代替NMS的去重模块，可以避免NMS需要手动设置参数的问题
1. Background
假设现在有一个显示屏幕，问这是电脑显示屏还是电视屏幕，该怎么判断？如果单纯把屏幕取出来，确实很难回答这个问题，但是如果结合周围的东西，就很好解决了……比如，放在客厅环境、旁边有茶几的是电视，而旁边有键盘和鼠标的是电脑显示屏；又或者，宽度有沙发那么大的是电视，而只比一般座椅稍大一点的是电脑屏……
总之，周边其他物体的信息很可能对某个物体的分类定位有着帮助作用，这个作用在目前的使用RoI的网络中是体现不出来的，因为在第二阶段往往就把感兴趣的区域取出来单独进行分类定位了。这篇文章作者就考虑改良这个情况，来引入关联性信息。
放一个直观的例子，蓝色代表检测到的物体，橙色框和数值代表对该次检测有帮助的关联信息。 
实际上以往也有人尝试过类似的工作，但是由于关联性涉及到对其它物体特征和位置的假设等原因，一直不是个容易的问题，本文作者从google在NLP（https://arxiv.org/abs/1706.03762）方面的一篇论文中的Attention模块得到启发，设计了本文的这种思路。
2. Object Relation Module
这个模块的特点就是联合所有object的信息来提升每个object recognition的准确性。它的模块示意图如下图所示：
fR(n)fR(n)是第n个relation模块的输出，它是由各个所有物体的apperance特征经过WVWV的维数变化后，又赋予不同的权重叠加得到的……也许看到这里有人疑惑，不是说geometry特征也是输入吗，怎么没看到？其实位置特征是体现在权重里的，第m个物体对于当前第n个物体的权重ωmn的求法如下：
可以看出fg就是一维长度为4的向量，目标长度是dg=64。
改变为：
上面的N表示RPN选取出来的proposal的个数，比如300。
r1,r2代表重复次数，也可以用图来表示：
3. Duplicate removal
作者的另一个贡献就是提出了这种可以代替NMS的消除重复框的方法。框架如下： 
4. Experiment
这部分就不详细介绍了，作者主要使用了ResNet 50和101，用两个fc层作为baseline进行了很多对比实验。
包括：
- geometric feature特征的使用
- NrNr的数量
- relation modules的重复次数
- 效果的提升是源于relation module还是只是因为多加了几个层
- NMS和SoftNMS
- end2end和分阶段训练哪个更好
- 等等……
最终的实验结果：
5. Summary
本文主要是在detection当中引入了relation的信息，我个人觉得算是个很不错的切入点，而且motivation是源自NLP的，某种方面也说明了知识宽度的重要性。但是一个比较可惜的点就是，relation module更像是拍脑袋思考了一个方法然后直接去实验验证了，对于relation到底学到了什么，能不能更好地理解这个信息，作者认为这还是个有待解决的问题。期待在relation问题上能看到更多有趣的思路吧。
另外这种RM模块是在RPN选出proposal之后，就直接对这所有的框进行位置关系的计算，这是不合理的，毕竟你只和其中某些有关系，全都用上感觉就有点扯了（这当中可是有很多错误的框，而且也有很多重复的框），应该可以用的更好点的。
这个物体之间的关联的想法我认为是有效的，在作者已经做的实验的基础上再做改进，应该对检测精度是有帮助的。