提出了一种新的端到端类到场景框架 (CATS)，通过生成几何特征和视觉特征融合构建场景交互图，学习人与物体类别关系。在两个关键的人物-物体交互基准测试中展示了最先进的性能。

通过可视化和实验研究改进了DETR框架在人物-物体交互研究中的问题，增强了图像特征，改进了模型的谓词视觉上下文。在HICO-DET和V-COCO基准上超过了最先进的方法，同时保持了较低的训练成本。