摘要

人-物体交互（Human-Object Interaction, HOI）由人、物体以及隐含的交互关系（动词）三部分构成。与以往直接将像素映射为HOI语义的方法不同，本文提出一种分析性的新视角来学习HOI。类比于调和分析（Harmonic Analysis）——其核心目标是研究如何通过基本波的叠加来表示信号——我们提出“HOI分析”（HOI Analysis）框架。我们认为，连贯的HOI可被分解为独立的人体与物体；反之，独立的人体与物体也可重新整合为连贯的HOI。此外，具有相同HOI语义的人-物体对之间的变换，也可通过分解与整合操作更有效地实现。由此，隐含的动词语义得以在变换函数空间中进行建模与表达。基于这一思想，我们提出一种集成-分解网络（Integration-Decomposition Network, IDN），用于实现上述分解与整合过程，并在多个主流HOI检测基准上取得了当前最优的性能表现。代码已开源，地址为：https://github.com/DirtyHarryLYL/HAKE-Action-Torch/tree/IDN-(Integrating-Decomposing-Network)。