エンドツーエンド型ヒューマンオブジェクトインタラクション検出におけるHOI Transformer

我々は、人間と物体のインタラクション（HOI）検出をエンドツーエンドで扱うためのHOI Transformerを提案する。現在の手法は、主に物体検出とインタラクション分類の段階にHOIタスクを分解するか、代理のインタラクション問題を導入している。これに対し、本研究で提案するHOI Transformerは、多数の手作業で設計されたコンポーネントを排除することで、HOI処理パイプラインを大幅に簡素化する。HOI Transformerは画像全体のコンテキストから人間と物体間の関係性を推論し、並列的にHOIインスタンスを直接予測する。統一的な予測を促すために、五重組み合わせ損失（quintuple matching loss）を導入した。本手法は概念的に大幅にシンプルであり、精度の向上も示している。装飾的な要素を一切用いずに、HOI TransformerはHICO-DETで26.61%のAP、V-COCOで52.9%のAP_{role}を達成し、従来の手法を上回る性能を発揮しつつ、構造の単純さという大きな利点を持つ。本研究のアプローチが、HOIタスクにおけるシンプルかつ効果的な代替手段として活用されることを期待する。コードはhttps://github.com/bbepoch/HoiTransformerにて公開されている。