Human-Object Interaction (HOI) Detection Background and Motivations

HOI Detection要求定位出存在交互的人、物并給出兩者之間的動(dòng)作關(guān)系，即最終要求給出三元組$$。實(shí)際的HOI系統(tǒng)執(zhí)行以人為中心的場景理解，因此有著廣泛的用途，例如監(jiān)控事件監(jiān)測和機(jī)器人模仿學(xué)習(xí)。

傳統(tǒng)的HOI范式傾向于以多階段的方式來解決這個(gè)有挑戰(zhàn)性的復(fù)雜問題，即先執(zhí)行object detection，再執(zhí)行動(dòng)作關(guān)系的分類，這種范式需要繁重的后處理（post-processing），例如啟發(fā)式匹配來完成任務(wù)，這導(dǎo)致其無法以端到端的方式進(jìn)行training，導(dǎo)致了次優(yōu)的性能。

最近sota的一系列HOI方法往往受啟發(fā)于DETR，將HOI Detection視為集合預(yù)測問題來克服這一問題，實(shí)現(xiàn)end-to-end的訓(xùn)練優(yōu)化，這類方法的基本流程如下圖（a）中所示，可以看出，這類方法往往利用transformer來將可學(xué)習(xí)的queries映射為HOI的預(yù)測集合，從而實(shí)現(xiàn)one-stage的HOI detection

然而，這些HOI檢測范式中的parametric interaction queries（參數(shù)化的交互queries）往往是隨機(jī)初始化的，這就導(dǎo)致范式中的queris和輸出HOI 預(yù)測之間的對應(yīng)關(guān)系是動(dòng)態(tài)的，其中對應(yīng)于每個(gè)目標(biāo)HOI三元組的query，例如$$，在預(yù)測開始時(shí)往往是未知的，這將嚴(yán)重影響模型去探索先驗(yàn)知識(shí)，即inter-interaction 或 intra-interaction structure，即交互間的結(jié)構(gòu)性關(guān)系和交互內(nèi)的結(jié)構(gòu)性關(guān)系知識(shí)，而這對于交互間的關(guān)系reasoning是非常有幫助的。

（a）之前的Transformer風(fēng)格的HOI檢測范式（b）本文方法示意圖

Inter&Intra-interaction Structure For HOI Detection

交互間的結(jié)構(gòu)性（Inter-interaction Structure）非常有助于互相提供線索來提高檢測效果，例如上圖中“human wear (baseball) glove” 就提供了非常強(qiáng)的線索來提示另一個(gè)interaction：“human hold bat”，有趣的是,內(nèi)部交互結(jié)構(gòu)（Intra-interaction Structure）可以解釋為每個(gè)HOI三元組的局部空間結(jié)構(gòu)，例如人和物體的布局結(jié)構(gòu)以一種額外的先驗(yàn)知識(shí)來將model的注意力引導(dǎo)到有效的圖像區(qū)域，從而描述交互行為。

STIP : Structure-aware Transformer over Interaction Proposals

講了背景知識(shí)和基本的motivations，終于步入正題了，作者提出的方法叫做STIP（ Structure-aware Transformer over Interaction Proposals），其將一階段的HOI檢測方案分解為了兩階段的級聯(lián)pipeline：首先產(chǎn)生交互proposals（有可能存在交互的人-物對），接著基于這些proposal 執(zhí)行HOI集合預(yù)測，如上圖中所示，STIP將這些proposal視為非參交互queries，從而啟發(fā)后續(xù)的HOI集合預(yù)測問題，也可以將其視為靜態(tài)的、query-based的HOI檢測pipeline。

下面將分別介紹Interaction Proposal Network 、Interaction-centric Graph和Structure-aware Transformer。

STIP整體流程示意圖

Interaction Proposal Network

STIP利用DETR作為物體（和人）檢測的base network，訓(xùn)練過程中，DETR部分的權(quán)重是凍住的，不進(jìn)行學(xué)習(xí)，基于DETR給出的檢測結(jié)果，Interaction Proposal Network（IPN）將構(gòu)建存在潛在交互的的human-object對，對于每個(gè)human-object對，IPN將通過MLP給出潛在交互的分?jǐn)?shù)，即 interactiveness score。只有Top-K個(gè)最高得分的human-object對將送入下一階段。

Human-Object Pairs Construction

STIP為了充分利用knowledge，從不同的信息層次來構(gòu)建Human-Object對，每個(gè)HO對都由外觀特征、空間特征、和語言學(xué)特征（linguistic features）來構(gòu)成。具體來說，外觀特征是從DETR中得到的human和object實(shí)例特征來構(gòu)建，即分類頭前的、256通道維度的區(qū)域特征（即ROI區(qū)域特征）。我們將human和object的bounding box定義為： and ，則空間特征由

來構(gòu)建，其中，則分別代表了人的區(qū)域，物體的區(qū)域，交叉的區(qū)域和聯(lián)合bounding box的區(qū)域信息。語言學(xué)特征則是將bounding box的類別名編碼為one-hot向量，向量的通道維度大小為300。每個(gè)HO對都將被如上方式進(jìn)行表征，最終concat到一起，送入MLP中。

Interactiveness Prediction

構(gòu)建Human-Object Pairs 后，將構(gòu)建出的Human-Object Pairs 經(jīng)過hard mining strategy（難樣本挖掘策略）來篩選出負(fù)樣本，正樣本則是由置信度大于0.5的human和object的bounding box IOUs組成。STIP需要預(yù)測出每個(gè)proposal成立的可能度，因此將其視為一個(gè)二分類問題，從而利用Focal loss來進(jìn)行優(yōu)化。在推理階段，只有top-K個(gè)最高得分的human-object 對將被送入下個(gè)階段作為交互proposal。

Interaction-Centric Graph

利用IPN來篩選出潛在的proposal后，接著STIP利用Interaction-Centric Graph來充分利用豐富的inter-interaction和intra-interaction structure的先驗(yàn)知識(shí)，在實(shí)際實(shí)現(xiàn)中，將每個(gè)interaction proposal作為一個(gè)單一的graph node（圖節(jié)點(diǎn)），因此完整的interaction-centric graph利用每兩個(gè)nodes之間的連接來作為圖的edge。

Exploit Inter-interaction in Interaction-Centric Graph

回到本文開頭提到的motivation：交互間的結(jié)構(gòu)性（Inter-interaction Structure）非常有助于互相提供線索來提高檢測效果，舉個(gè)栗子，當(dāng)圖中有一個(gè)interaction為 human hold mouse，那么很有可能圖中還有另一個(gè)相同human instance的interaction：human look-at screen。這個(gè)有趣的先驗(yàn)現(xiàn)象啟發(fā)了作者構(gòu)建一個(gè)graph來充分利用該prior的知識(shí)。作者定義了下圖所示的六種交互間的關(guān)系來充分利用該先驗(yàn)：

這六種類間語義關(guān)系由兩個(gè)交互proposal之間是否共享相同的humanobject來被具體指派。

Exploit Intra-interaction in Interaction-Centric Graph

接著我們看本文開頭提到的另一條motivation：內(nèi)部交互結(jié)構(gòu)（Intra-interaction Structure）可以解釋為每個(gè)HOI三元組的局部空間結(jié)構(gòu)，例如人和物體的布局結(jié)構(gòu)以一種額外的先驗(yàn)知識(shí)來將model的注意力引導(dǎo)到有效的圖像區(qū)域。 STIP也通過分類、編碼來利用interaction內(nèi)的空間關(guān)系，如下圖所示：

將背景、union、human、object、intersection分別進(jìn)行轉(zhuǎn)換編碼，從而將spatial layout structures編碼進(jìn)features中，參與特征交互。

Structure-aware Self-attention & Structure-aware Cross-attention

Structure-aware Self-attention & Structure-aware Cross-attention和傳統(tǒng)的self- attention基本類似，就不細(xì)講了～其中值得注意的是，作者受相對位置編碼的啟發(fā)，將每個(gè)key 與其的 inter-interaction semantic dependency 結(jié)合：

Training Objective

針對action的監(jiān)督，也是利用folcal loss：

Experiments

可以看出，在VCOCO數(shù)據(jù)集上，STIP的性能非常強(qiáng)勁，比之前的IDN高了十幾個(gè)點(diǎn)，HICO-DET上的性能也很強(qiáng)。

Ablation Study

從消融實(shí)驗(yàn)中可以看出， inter-interaction 和intra-interaction的相關(guān)module都非常漲點(diǎn)，

Conclusion

STIP不同與以往的query-based 范式，將proposal set prediction拆開為兩個(gè)stage，第一個(gè)stage產(chǎn)生高質(zhì)量的queries，其中融合了豐富、多樣的的prior features來充分利用背景知識(shí)，從而有了非常驚艷的性能效果。

審核編輯：劉清