吴 伟，刘泽宇

中南大学 自动化学院，长沙410075

目前，目标检测[1]、分割[2]以及动作识别[3]等图像视觉检测与识别技术已经取得了长足的进展。这些任务的发展为许多相关领域奠定了坚实的基础，包括医疗、自助零售、安防等。然而，这些应用的成功实现不仅需要实例级的检测和识别，还需要对图像内容进行有效的理解。现有的图像理解研究主要集中在视觉关系检测[4]领域。人与物体交互作用（Human-Object Interactions，HOIs）的检测与识别便是视觉关系检测的一个重要分支。其目的是对给定一幅图像，在检测到一个人和一个物体的同时，识别出二者之间的相互作用（interaction），可以定义为检测图像中人类、交互行为以及物体组成的三元组，形如[5-6]。对于HOIs检测的方法可以分为两类：基于传统特征（SIFT、HOG[7]等）的联合建模方法和基于深度学习的方法。

早期对HOIs检测与识别的研究多基于传统图像手工特征。受人类感知心理学研究的推动，Gupta等人[5]首先提出了一种贝叶斯方法，该方法整合了参与理解人与物体相互作用的各种感知任务，可以同时对场景类型、场景对象、人类动作和可操作对象的概率进行估计，在提高人-物体交互作用识别效果的同时也促进了相关感知任务的性能。Yao等人[8]使用名为“grouplet”的全局图像特征来识别HOIs，以捕获HOIs的结构化信息。通过应用数据挖掘算法找寻出具有判别作用的grouplet 特征，并通过SVM 对其进行识别。Desai 等人[9]提出了一种基于模拟人体和附近物体之间的上下文相互作用的识别方法。……