GID-Net：利用全局与实例依赖检测人与物体交互
计算机视觉与模式识别
2020-03-12 v1
摘要
由于检测和识别单独的人或物体不足以理解视觉世界，学习人类如何与周围物体交互成为一项核心技术。然而，卷积操作在刻画实例间视觉交互方面较弱，因为它们仅构建每次处理一个局部邻域的模块。为解决此问题，我们从人类观察 HOI（人与物体交互）的感知中学习，引入一种称为 GID 块的可训练两阶段推理机制。GID 块突破局部邻域，从场景中捕获像素在全局级和实例级的远程依赖，以帮助检测实例间交互。此外，我们构建了称为 GID-Net 的多流网络，这是一个由人分支、物体分支和交互分支组成的人与物体交互检测框架。全局级和局部级的语义信息在各分支中被高效推理与聚合。我们在两个公开基准（包括 V-COCO 和 HICO-DET）上将提出的 GID-Net 与现有最先进方法比较。结果表明 GID-Net 在上述两个基准上均优于现有最佳性能方法，验证了其在检测人与物体交互中的有效性。
引用
@article{arxiv.2003.05242,
title = {GID-Net: Detecting Human-Object Interaction with Global and Instance Dependency},
author = {Dongming Yang and YueXian Zou and Jian Zhang and Ge Li},
journal= {arXiv preprint arXiv:2003.05242},
year = {2020}
}
备注
30 pages, 8 figures