Tag · 5 篇
人-物交互检测
精简的开放词表人-物交互检测
Streamlined Open-Vocabulary Human-Object Interaction Detection
对做开放词表检测的人，这篇给出了一个可复用的思路：不再拼接传统检测器与 VLM 两套表征，而是把交互查询和骨干图像 token 一起送进 DINOv3 的文本对齐视觉头，让交叉注意力在同一个表征空间内完成，从而绕开跨模型特征融合的鸿沟；同时全冻结骨干、只训练少量参数的做法可直接迁移到其他开放词表定位任务。
RegFormer：面向高效弱监督人-物交互检测的可迁移关系视觉定位
RegFormer: Transferable Relational Grounding for Efficient Weakly-Supervised Human-Object Interaction Detection
RegFormer 用空间视觉定位信号作为弱监督 HOI 推理的引导，把图像级交互推理直接迁移到实例级，无需额外训练；对做 HOI、场景图或弱监督定位的研究者，这是一个可复用的「定位引导关系推理」模块，能绕开枚举实例对带来的计算开销与假阳性。
挖掘以实例为中心的视觉语言上下文用于人-物交互检测
Mining Instance-Centric Vision-Language Contexts for Human-Object Interaction Detection
把 VLM 特征按实例内、实例间、全局三种粒度拆解并渐进融合到检测器实例特征上，这套「实例中心上下文挖掘」思路可直接迁移到任何需要细粒度关系推理的视觉任务（如场景图生成、指代理解）。
学习多样化与聚焦：面向开放词表人-物交互检测的强化学习框架
Learning to Diversify and Focus: A Reinforcement Framework for Open-Vocabulary HOI Detection
用强化学习驱动的语义扰动与 actor-critic 注意力精炼，缓解 CLIP 一阶段范式对已见交互的过拟合，可直接迁移到其他开放词表检测/grounding 任务中提升对未见类别的泛化与细粒度定位。
CrossHOI-Bench：跨视觉语言模型与 HOI 专用方法的统一 HOI 评测基准
CrossHOI-Bench: A Unified Benchmark for HOI Evaluation across Vision-Language Models and HOI-Specific Methods
用带显式正例与精选负例的多项选择协议替代 HICO-DET 的精确标签匹配，可直接用于公平比较 VLM 与专用 HOI 模型，并暴露多动作并发与动作-人物绑定这两类失败模式。