要約
近年、個々の物体インスタンスの検出と認識において急速な進展が見られています。しかし、シーン内の状況を理解するためには、コンピュータが人間が周囲の物体とどのように相互作用しているかを認識する必要があります。本論文では、人間-物体相互作用（Human-Object Interaction: HOI）の検出という難問に取り組んでいます。私たちの中心的な考えは、人物や物体インスタンスの外観が、相互作用予測を容易にするために注目すべき画像内の関連部分に関する情報的な手がかりを含んでいるということです。これらの手がかりを利用するため、私たちは各インスタンスの外観に基づいて動的に画像内の領域を強調学習するインスタンス中心の注意モジュールを提案します。このような注意メカニズムに基づくネットワークにより、HOIの認識に関連する特徴量を選択的に集約することが可能になります。我々は提案したネットワークの効果性をVerb in COCOおよびHICO-DETデータセットで検証し、当該手法が最先端技術と比較して優れていることを示しています。