m0_73426012的博客

这篇论文是笔者在组会上汇报的，所以直接放演示的PPT了。论文来源：CVPR(2025)论文中没有提及对显卡的要求。

双边协作机制：首次建立 HOI 检测器与 VLMs 的双向引导，HOI 检测器提供注意力偏差细化 VLM 特征，VLM 通过 LLM 提供细粒度监督，解决特征粗粒度与协作不足问题。细粒度特征生成：ABG 利用 HOI 检测器的交互注意力，使 VLMs 聚焦于特定人类 - 物体交互区域，生成实例级特征。token 级监督：LSG 通过 LLM 对 caption 的逐 token 预测，强化对动词、名词的监督，避免传统方法的粗糙监督缺陷。效率优化：冻结 VLM 参数并在推理时丢弃 LLM，平衡性能与计算成本。

高效架构：结合 EfficientNetV2 和 MSDA，实现低复杂度、快速收敛的特征聚合，解决传统 Transformer 效率问题。自适应令牌生成：DA 模块生成实例和交互令牌，替代可学习嵌入，加速收敛并增强特征针对性。鲁棒性优化：通过渐进式学习、ASL 损失等缓解长尾分布和过拟合问题。不确定性估计：引入 MC 采样量化预测可靠性，提升复杂场景下的决策准确性。

通过动作中心的链式提示机制，显式建模动作语义和时序动态。

（2023）

论文来源：ICCV（2023）项目地址：https://github.com/six6607/AGER.git。

论文来源：CVPR（2024）

首次将注意力预测从物体 / 人类层级提升到。

本文提出了一种新的基于变换器（transformer）的模型FGAHOI（Fine-Grained Anchors for Human-Object Interaction Detection），用于检测人体-物体互动（HOI）。目标是提高HOI检测的准确性，特别是在复杂背景、远距离和小目标等挑战下。