摘要

近年来，人-物体交互（Human-Object Interaction, HOI）检测取得了显著进展。然而，传统的两阶段方法在推理速度上通常较为缓慢。另一方面，现有的单阶段方法主要关注交互区域的并集（union regions），这会引入不必要的视觉信息，成为HOI检测的干扰因素。针对上述问题，本文提出了一种新型的单阶段HOI检测方法——DIRV（Dense Interaction Region Voting），其基于一个全新的概念：交互区域（Interaction Region）。与以往方法不同，我们的方法聚焦于对每一对人-物体在多尺度下进行密集采样的交互区域，从而捕捉对交互最为关键的细微视觉特征。此外，为弥补单一交互区域检测的不足，我们引入了一种新颖的投票机制，充分利用重叠的交互区域，替代传统的非极大值抑制（Non-Maximum Suppression, NMS）策略，有效提升检测精度。在两个主流基准数据集V-COCO和HICO-DET上的大量实验表明，所提方法在保持最高推理速度的同时，拥有最轻量级的网络结构，并显著超越现有最先进方法。在不使用额外输入的情况下，我们在V-COCO数据集上达到了56.1 mAP的性能。相关代码已公开，地址为：https://github.com/MVIG-SJTU/DIRV。