摘要
现代人-物体交互（HOI）检测方法可分为单阶段方法与两阶段方法。单阶段模型因其结构简洁而具有更高的效率，但两阶段方法在检测精度方面仍具优势。现有的单阶段模型通常首先检测预定义的交互区域或关键点，随后仅聚焦于这些区域进行交互预测；因此，这类方法缺乏动态搜索判别性线索的推理过程。本文提出一种新颖的单阶段方法——凝视与凝视网络（Glance and Gaze Network, GGNet），通过“凝视”（glance）与“凝视”（gaze）两个步骤，自适应地建模一组动作感知点（Action-aware Points, ActPoints）。其中，“凝视”步骤快速判断特征图中每个像素是否为交互点；“凝视”步骤则利用“凝视”阶段生成的特征图，以渐进式方式自适应地推断每个像素周围的ActPoints。经过优化的ActPoints特征被聚合用于交互预测。此外，我们设计了一种动作感知匹配策略，能够有效将检测到的交互与对应的人-物体对进行关联，并引入一种新型的难负样本注意力损失（hard negative attentive loss），以提升GGNet的优化效果。上述所有操作均在特征图的所有像素上并行、高效地完成。最终，GGNet在V-COCO与HICODET两个主流基准测试上均显著优于现有最先进方法。GGNet的代码已开源，地址为：https://github.com/SherlockHolmes221/GGNet。