目标检测学习笔记（一）：InteractNet

原文参考：Detecting and Recognizing Human-Object Interactions

InteractNet 是由 Facebook AI Research（FAIR） 提出的一种针对人物交互检测识别技术（Human-Object Interactions）的优化算法。

InteractNet 的核心点在于 Target Localization（即目标定位），通过研究目标人的外表特征（target human appearance）来预测人体所实施动作的受体对象（target object of interaction）所处的大概位置。

如上图所示，该网络模型主要分为三个模块：

• a) 目标检测（object detection branch）：该模块整体采用 Faster R-CNN 网络，输出为目标识别框（bounding box）以及每个识别目标人或物的类别评分（class scores / confidence）；
• b) 以人为识别中心的分支网络（human-centric branch）：该分支结构的第一个任务是，针对每个检测到的人 b_h，通过 RoiAlign 进行特征提取分析，相较于每个动作 a 进行分类评分，即针对每对（b_h，a）分配一个分数 s^a_h ； 此外，该分支网络是 InteractNet 的核心，用于预测 target localization μ