人类-物体交互检测综述

人类-物体交互（HOI）检测在高层视觉理解中扮演关键角色，有助于深入理解人类活动。具体而言，HOI 检测旨在定位图像或视频中参与交互的人类和物体，并对它们之间的特定交互进行分类。该任务的成功受多种关键因素影响，包括人类和物体实例的准确定位，以及物体类别和交互关系的正确分类。本文系统总结并讨论了基于图像的 HOI 检测的最新工作。首先，介绍了 HOI 关系检测中的主流数据集。其次，从两阶段方法和端到端单阶段检测方法出发，全面讨论了基于图像的 HOI 检测的当前发展，分析了这两种方法的优势和局限性。此外，还讨论了零样本学习、弱监督学习以及大规模语言模型在 HOI 检测中的应用。最后，概述了 HOI 检测的当前挑战，并探讨了潜在的研究方向和未来趋势。