最近几年,随着计算机视觉的快速发展,包括物体检测、动作识别和分割等在内的计算机视觉识别任务也取得了快速进展。然而为了准确地理解场景中的真实情况,计算机还需要识别人和物体的交互方式,我们称之为人-物体交互行为检测识别。在大多数的场景和应用中,人类是图像语义的交互中心,因此确定图像中人和其他物体的交互关系便成为理解图像语义在工程应用中的关键。本文要解决的人-物体交互行为检测识别任务主要分为目标检测和HOI关系检测两部分。论文针对目前人-物体交互识别检测模型存在的问题进行研究和方法改进,从以下两部分对论文的主要工作进行阐述说明:(1)由于该任务模型训练时需要大量的数据图像才能保证模型的准确性,而通常情况下这些数据图像尺度变化较大,这对模型检测识别带来一定的难度。本文受SNIP算法的启发,在Faster R-CNN算法的基础上改进算法,使用一个三个分支并行的目标检测网络模型,目的是生成具有统一表征能力的尺度特征图。首先,修改特定卷积层的结构,将原本特征提取网络的单支路卷积层替换成3个支路,且膨胀参数不同的膨胀卷积层,构建一个并行的多分支架构,其中每个分支共享相同的参数,但具有不同的感受野。然后,使用不同膨胀参数的3个支路来指定尺度过滤训练,分别检测不同尺度的目标。该方法不会引入额外的参数,且不会增加额外的计算量,对于数据集中尺度变化较大的目标物体检测效果较好。(2)当前的HOI关系检测模型都是直接将人体图像作为网络输入,进而检测人和物体之间的交互关系,但是对于那些不涉及任何交互物体的动作类别和与人具有相互作用关系且距离较远的物体来说,检测效果并不理想。为了解决HOI关系检测模型中的局限性,考虑到图像中人或物体的外观包含的信息提示可促进交互行为检测,因此在HOI关系检测模型中使用三流网络,不同的流分别从不同的源提取特征,并且每个流分支中均采用上下文卷积模块(CCM),从输入特征图中捕捉识别人和远处物体之间交互作用相关较大的上下文信息,同时在三流网络中融入注意力机制模块,动态地为每个检测到的人或物体实例生成注意力映射,突出显示与该任务相关的区域。实验结果表明,本文使用模型的平均准确率达到了 45.2%,较目前检测性能最佳的iCAN模型(44.7%)提高了 0.5%,并且其在完全默认对象和常见默认对象上均实现了最佳的性能,较iCAN模型分别改进了 0.72%和1.08%。