摘要

人体-物体交互（Human-Object Interaction, HOI）识别面临两大挑战：（1）类别间存在显著的不平衡问题；（2）每张图像需要标注多个交互标签。本文表明，仅通过优化分类器结构而保持主干网络（backbone architecture）不变，即可有效应对上述两个难题。首先，我们通过使用HOI的语言嵌入（language embeddings）初始化分类头的权重，将类别间的语义相关性编码进分类器中，显著提升了整体性能，尤其是在少样本（few-shot）子集上的表现。其次，我们提出一种新型损失函数——LSE-Sign，用于增强在长尾分布数据集上的多标签学习能力。所提方法简单而高效，实现了无需目标检测的HOI分类，其性能明显优于依赖目标检测与人体姿态估计的现有最先进方法。此外，我们通过将该分类模型与现成的通用目标检测器连接，将其迁移应用于实例级HOI检测任务，仅通过端到端连接即可达到当前最优性能，无需额外微调。