本项目基于Paddle框架复现From Recognition to Cognition: Visual Commonsense Reasoning中的R2C模型，用于解决视觉常识推理任务。该任务要求模型依据图像、相关对象、问题，从四个答案中选出正确项，并从四个原因中选出最合理解释。此复现为相关研究提供了实践基础。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
From Recognition to Cognition: Visual Commonsense Reasoning(r2c基于Paddle复现)
一、简介
本项目基于paddle复现From Recognition to Cognition: Visual Commonsense Reasoning中所提出的r2c模型，该模型用于解决视觉常识推理（Visual Commonsense Reasoning）任务，即给模型一个图像、一些对象、一个问题，四个答案和四个原因，模型必须决定哪个答案是正确的，然后在提供四个原因选出答案的最合理解释。
下面提供一个例子进行说明： 
对输入的图像、对象和问题 What is going to be happen next? ，模型需要选择答案d) 和原因d)。
论文地址：https://arxiv.org/abs/1811.10830
参考项目：https://github.com/rowanz/r2c
二、复现精度
| Q → A | QA → R | Q → AR | |
|---|---|---|---|
| 原论文 | 63.8 | 67.2 | 43.1 |
| 复现精度 | 64.1 | 67.2 | 43.2 |
三、数据集
本项目所使用的数据集为 VCR ，由来自110K个电影场景的290K个多项选择的QA问题组成。
对于问题答案和原因，提供bert预训练好的特征，可从如下地址进行下载：
- https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_answer_train.h5
- https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_rationale_train.h5
- https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_answer_val.h5
- https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_rationale_val.h5
- https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_answer_test.h5
- https://s3-us-west-2.amazonaws.com/ai2-rowanz/r2c/bert_da_rationale_test.h5
建议的数据结构为：
data/ |-- vcr1images/ | |-- VERSION.txt| |-- movie name, like movieclips_A_Fistful_of_Dollars| | |-- image files, like Sv_GcxkmW4Y@29.jpg| | |-- metadata files, like Sv_GcxkmW4Y@29.json|-- bert_feature/| |-- bert_da_answer_train.h5| |-- bert_da_rationale_train.h5| |-- bert_da_answer_val.h5| |-- bert_da_rationale_val.h5| |-- bert_da_answer_test.h5| |-- bert_da_rationale_test.h5|-- train.jsonl|-- val.jsonl|-- test.jsonl|-- README.md
可以自行修改文件地址，但是对应的要修改文件读取中文件路径。
四、环境依赖
- Python 3.7
- paddle 2.2.1
- paddlenlp
五、快速开始
在本地主机运行
训练
对于Q→ A，运行如下命令：
python train.py -floader model/saves/flagship_answer
对于QA → R，运行如下命令：
python train.py -floader model/saves/flagship_rationale -relation
测试
加载模型进行Q→ A测试，运行如下命令：
python eval.py -floader model/saves/flagship_answer
#注：这里需要保证模型的名字为best.pd（或者可以在utils/paddle_misc的restore_best_checkpointh函数中修改模型的名字）。
加载模型进行QA→ R测试，运行如下命令：
python eval.py -floader model/saves/flagship_rationale -relation
测试Q → AR效果，运行如下命令：
python eval_q2ar.py -answer_preds model/saves/flagship_answer/valpreds.npy -rationale_preds model/saves/flagship_rationale/valpreds.npy
使用预训练模型
预训练最优模型下载：
链接: https://pan.baidu.com/s/1VeG64RFxoBbs1ivZUOkJ0g
提取码: c4ir
将对应模型放到对应的文件目录下。
在AiStudio运行
首先解压数据集,运行如下命令：
python train.py -floader model/saves/flagship_answer
训练
对于Q→ A，运行如下命令：
unzip /home/aistudio/data/data122313/vcr1images.zip
对于QA → R，运行如下命令：
python train.py -floader model/saves/flagship_rationale -relation
测试
加载模型进行Q→ A测试，运行如下命令：
python eval.py -floader model/saves/flagship_answer
#注：这里需要保证模型的名字为best.pd（或者可以在utils/paddle_misc的restore_best_checkpointh函数中修改模型的名字）。
加载模型进行QA→ R测试，运行如下命令：
python eval.py -floader model/saves/flagship_rationale -relation
测试Q → AR效果，运行如下命令：
python eval_q2ar.py -answer_preds model/saves/flagship_answer/valpreds.npy -rationale_preds model/saves/flagship_rationale/valpreds.npy
使用预训练模型
同上下载预训练模型放到对应文件夹下，进行测试即可。
六、代码结构
|--data|--dataloader| |--__init__.py| |--box_utils.py| |--mask_utils.py| |--vcr.py|--model| |--multiatt| | |--__init__.py| | |--model.py| | |--mask_softmax.py| | |--BilinearMatrixAttention.py| |--saves| | |--flagship_answer| | | |--best.pd| | |--flagship_rationale| | | |--best.pd|--utils| |--__init__.py| |--detector.py| |--paddle_misc.py| |--Resnet50.py| |--Resnet50_imagnet.py| |--torch_resnet50.pkl|--train.py|--eval_q2ar.py|--config.py
