论文阅读（四）:Agglomerative Transformer for Human-Object Interaction Detection

论文来源：ICCV（2023）

项目地址：https://github.com/six6607/AGER.git

1.研究背景

人机交互（HOI）检测需要同时定位人与物体对并识别其交互关系，核心挑战在于区分相似交互的细微视觉差异，这依赖于实例级线索（如人体姿势、注视方向、物体类别等）。传统方法采用两阶段框架（如先使用目标检测器生成实例提案），效率低下且难以灵活提取多类型线索。基于 Transformer 的方法（如实例查询）存在任务偏差，仅关注部分特征区域，导致线索提取不完整。

2.主要创新点

2.1 动态聚类生成实例令牌（Instance Tokens）

提出聚合 Transformer（AGER），通过文本引导的动态聚类机制将图像块令牌逐步聚合为实例令牌，确保每个令牌包含实例的完整判别特征区域（如图 1 所示），解决传统方法中实例查询仅关注局部区域的问题。

聚类过程与 Transformer 编码器结合，无需额外目标检测器或实例解码器，实现单阶段端到端学习。

2.2 多线索灵活提取与高效性

实例令牌的完整性支持通过轻量级 MLP 并行提取多种实例级线索（如人体姿势、空间位置、物体类别），避免传统方法中多阶段或定制化模型的复杂性。

动态聚类减少冗余计算，相比基线方法（如 QPIC），GFLOPs 降低 8.5%，FPS 提升 36%，且图像分辨率越高，效率优势越明显。

2.3 文本引导的语义对齐

利用 CLIP 预训练模型生成文本表示，通过余弦相似性和分类概率引导实例令牌与真实实例语义对齐，增强表示的泛化性，避免任务偏差。

3.总体框架

3.1 实例编码器（Instance Encoder）

分层 Transformer 结构：包含两个阶段，每个阶段由自注意力层和聚类层组成。

动态聚类机制：

初始化可学习的聚类中心（分为人类和物体），通过自注意力更新表示。

使用 Gumbel-Softmax 计算聚类中心与图像块的相似性，将语义相关的块聚合为更大的令牌，最终生成包含完整实例特征的令牌（如图 2 所示）。

文本引导通过 CLIP 文本编码器生成类别文本表示，与视觉令牌的余弦相似性损失优化聚类过程。

3.2 线索提取与聚合（Cues Extraction & Aggregation）

从实例令牌中提取三种线索：

人体姿势（P）：5 层 MLP 预测 17 个关键点坐标。

空间位置（S）：3 层 MLP 预测边界框。

物体类别（T）：1 层 FFN 预测类别概率，结合 Word2Vec 文本嵌入。

聚合线索时通过置信度阈值（γ=0.7）过滤噪声，与实例令牌拼接后投影到统一特征空间。

3.3 交互解码器（Interaction Decoder）

采用 3 层 Transformer 解码器，枚举所有可能的人-物对，通过多模式位置嵌入处理同一对的多种交互标签。

交互查询结合人体与物体的位置嵌入，通过交叉注意力和自注意力识别交互类别。

4.损失函数

交互识别损失：焦点损失。

线索提取损失：L2 损失（姿势和位置回归）。

实例令牌生成损失：结合分类概率和文本 - 视觉余弦相似性，通过匈牙利算法匹配真实实例与生成令牌。

5.实验

5.1 计算要求

未提及

5.2 实验结果