Transferable Interactiveness Knowledge for Human-Object Interaction Detection
- 论文pdf下载（含笔记）
- Transferable Interactiveness Knowledge for Human-Object Interaction Detection
- 1 INTRODUCTION
- 3 PRELIMINARY
- 4 METHOD
* - 4.1 Overview
- 4.2 Representation and Classification Networks
- 4.3 Interactiveness Network
– - 4.4 Testing With Non-Interaction Suppression
Human-Object Interaction Detection)
论文pdf下载（含笔记）
Transferable Interactiveness Knowledge for Human-Object Interaction Detection
1 INTRODUCTION
Fig. 1，与传统HOI相比，本文所提出的HOI增加了交互性知识的学习
- 不仅提升了HOI检测性能
- 交互性知识超出了HOI类别，可以跨数据集学习，这可以带来更大的性能改进
; 3 PRELIMINARY
Fig. 2，图二中展示了HOI中(人，物)所构成的图，并且由提出的非相关抑制将稠密图变为稀疏图，然后进行分类。
4 METHOD
4.1 Overview
我们的TIN框架的概述如 Fig. 3所示。
- 我们提出了 交互性网络D（交互性鉴别器），它利用交互性来减少由过多的非交互性候选对引起的误报。利用学习到的交互性知识来评估边的交互性，从而将稠密的HOI图转换为稀疏的图
- R负责从检测到的实例中提取特征
- C对稀疏图进行处理，利用节点和边缘特征对HOIs进行分类
; 4.2 Representation and Classification Networks
简要介绍 表示网络R和 分类网络C
Representation Network，在训练和测试过程中，R被冻结，并作为一个特征提取器。给定检测到的边界框，我们通过根据框坐标裁剪ROI池特征图来生成人和对象特征
4.3 Interactiveness Network
4.3.1 Three Streams With Instance-Level Features
需要通过提取和组合基本信息来学习交互性。显然需要人和物体的视觉外观。此外，交互式和非交互式对还具有其他显着特征，例如空间位置和人类姿势信息。
D需要将所有这些关键元素编码在一起，以学习互动性知识。
; 4.3.2 Part Stream With Part-Level Features
探索在互动学习中采用人体部分特征。
首先使用姿态估计构建了10个零件框 Fig. 6，即头部、上臂、手、臀部、大腿和脚。每个零件箱都以相应的检测接头为中心。零件盒的大小是通过测量颈部和骨盆关节之间的距离来决定的。其次，对于部分流，我们从检测到的部分框中提取ROI池特征作为部分特征。
4.3.3 Binary Interactiveness Classifier
D中有11个结构交互的二值分类器（ Fig. 4中的”交互分类器”），即10个部分交互，实例交互1个。它们都将上述四个流中的四种特征作为输入，并由简单的连接操作和全连接层层构造。交互性分类器的详细结构如 Fig. 4右上方所示。
; 4.3.4 Interactiveness Consistency
当且仅当至少一个身体部位与物体互动时，人是互动的，当且仅当没有一个互动时，人不是互动的。
4.4 Testing With Non-Interaction Suppression
如 Fig.7，提出了一种低级别抑制功能（LIS），它具有增强区分高低级别物体检测的能力。高分检测对象将被强调并与低分对象区分
Original: https://blog.csdn.net/qq_43537420/article/details/127450631
Author: 想太多!
Title: 目标检测——day46 可转移交互性知识的人机交互检测
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/687575/
转载文章受原作者版权保护。转载请注明原作者出处！