HOTR: End-to-End Human-Object Interaction Detection with Transformers

模型在vcoco场景1上的验证效果

HOTR的模型结构图如下所示:
在代码中如何实现的?

1. 在Backbone中:
   (1)将图片([bs,3,H,W])送入CNN模型中进行特征提取,使用了ResNet50,得到特征图src([bs,2048,h,w])
   (2)引入位置编码pos_embed[bs,256,h,w],query_embed([100,256])

2. 在进入Transformer前,将特征图src降维([bs,256,h,w])

3. 进入Transformer:
   (1)Encoder:
   首先将src与pos_embed降维,并交换维度:
   src由[bs,256,h,w]→[hw,bs,256],
   pos_embed由[bs,256,h,w]→[hw,bs,256],
   query_embed由[100,26]→[100,bs,256],

   B. 将src,pos_embed,query_emb