论文笔记：Transferable Interactiveness Knowledge for Human-Object Interaction Detection(CVPR2019)

核心思想：学习Interactiveness Knowledge来判断是否存在人与物体的交互。用图来表示图片中的实例和关系，实例是节点，关系是边，如果采用穷举法配对，将会产生大量的边，其中大部分没有交互关系的边都应该被舍弃。

思路：任何HOI数据集都可以转换成二分类标签，用来学习Interactiveness Knowledge。先用Interactiveness Knowledge进行Non-Interaction抑制，得到稀疏图，再进行交互关系的分类。

具体：
1.包括三部分：特征表示R、交互判断P、交互分类C

2.特征表示R采用带有ResNet-50的Faster R-CNN，在train和test中R都被冻结作为特征提取器
3.交互分类C采用多流融合的结构
4.交互判断P需要：human和object的外观特征，两者的空间位置，human的pose。对于human用姿态估计估计出COCO格式的17个关键点，然后将关键点用值为0.15到0.95的线连接来表示身体part，而其他区域设为0.，最终pose map大小为64x64。然后将pose map跟human map和object map连接，组成sp特征（空间）

L为LIS，其中T、i、w由数据确定
5.训练

6.最终预测