要約
画像内の人物-物体インタラクションを検出する問題に対して、グラフィカルニューラルネットワークを用いたアプローチを提案する。従来の手法では、ノードが隣接ノードへ同一のメッセージをスケーリングして送信するのに対し、本研究ではノード間のメッセージをその空間的関係に条件づけることで、同一ノードの異なる隣接ノードへ異なるメッセージを送信することを実現する。この目的のため、マルチブランチ構造の下で空間的条件付けの様々な手法を検討した。広範な実験を通じて、隣接構造の計算、メッセージの生成、およびグラフ特徴の精緻化において、空間的条件付けの有効性を実証した。特に、バウンディングボックスの精度が向上するにつれて、粗い外観特徴の寄与は、空間的情報に比べてインタラクションの曖昧さ解消における役割が相対的に小さくなることを実証的に示した。本手法は、HICO-DETでmAP 31.33%、V-COCOで54.2%を達成し、微調整済みの検出において、既存の最先端手法を顕著に上回った。