人物 - 物体交互检测的解耦预训练
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
该研究聚焦于人-物交互检测，提出了解耦三元组预测和Disentangled Transformer等新方法，显著提升了HICO-DET和V-COCO数据集上的检测性能。通过结合强弱监督数据和视觉语言模型，研究有效解决了样本不均衡问题，并在零样本学习中表现优异。
❓
Q&A
解耦三元组预测的目的是什么？
解耦三元组预测旨在将人-物交互检测中的定位和分类任务分开，从而更好地学习不同区域的表示。
AS-Net框架如何提高人-物体交互检测的准确性？
AS-Net框架通过多头注意力和实例感知注意模块聚合特征，从而实现更准确的人物-物体交互检测。
KI2HOI框架在零样本学习中表现如何？
KI2HOI框架在零样本人物-物体交互检测中表现优于以前的方法，能够有效整合视觉语言模型的知识。
该研究如何解决样本不均衡问题？
研究通过基于动作共现矩阵的技术有效解决样本不均衡问题，尤其在稀有分类方面表现优于现有技术。
Disentangled Transformer与传统方法相比有什么优势？
Disentangled Transformer在HICO-DET和V-COCO数据集上表现更佳，能够更有效地处理人-物交互的联合定位和分类问题。
研究中使用的视觉语言模型有什么作用？
视觉语言模型用于改进开放类别交互识别，帮助模型在复杂环境中更好地理解人-物交互。
🏷️
