多上下文融合

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）。