任务名字：Referring Image Segmentation (RIS)
keywords：one-stage RIS、graph、relation reasoning
背景：方法比较
vision-and-language approaches based on their designing principles,
（1）multimodal fusion and representation learning
（2）language-conditioned visual rea- soning
two-stage RIS：
优：explicit object instances and their relation-ships to conduct visual reasoning
缺：slow inference speed 、has poor generalization、the relational and spatial priors in images are lost when conducting reasoning over feature vectors of those object instances.
one-stage RIS：
优：fast inference speed、contextual representations
缺：no ex-plicit object-level information、inferior in handling complex visual scenes and expressions because they lack sufficient visual reasoning capability
Method：
图像encoder：DeepLab ResNet101
language encoder:GloVe word embedding wt of each word l_t + position encoding
为了进一步增加词间相互关系的表达，引入了自注意力机制
Bottom-Up Shift:
（1）Analysis of Reasoning Steps
利用图表达，将复杂的推理抽象成简单的节点和边
使用language graph（directed acyclic graph）：A node and a directed edge of the graph respectively correspond to a noun phrase and the linguistic relationship
（2）Stepwise Inference逐步推理：
the reasoning from bottom to up
首先节点和图融合得到X
接下来，通过对节点之间的关系（即边）按照遍历的顺序进行逐步推理，将节点在图像中的初始空间位置转移到正确的位置。
同样，我们假设上的节点在当前步骤中作为节点处理。首先通过PRS对图的每条边单独执行关系推理，然后通过平均池操作集成所有连接边中节点o_n结果。
edges的集成，对于具有初始特征映射Xn和连接边En的节点，其更新的特征映射Xn′计算如下：
PRS（3）表示迭代三次
（3）Pairwise Relational Shift
Bidirectional Attentive Refinement:
将上个模块输出的x4、x5，与前文encoder的浅层特征v2、v3、v4通过自上而下的策略合并
因为浅层包含全图的详细信息，可能引起不相关的噪声，因此使用自注意力机制
最后上采样相加
