arXiv cs.AI· Yuqiu Jiang, Xiaozhen Qiao, Yifan Chen, Ye Zheng, Zhe Sun, Xuelong Li·· 11 小时前AI 评分22
Adaptive Diversity Cache：面向长尾人-物交互检测的自适应测试时记忆分配
Adaptive Test-Time Memory Allocation for Long-Tailed Human-Object Interaction Detection
AI 导读
研究者提出 Adaptive Diversity Cache（ADC），一个免训练、即插即用的框架，通过频率感知的容量分配与置信度-多样性联合样本选择，为长尾人-物交互检测自适应构建测试时缓存。在 HICO-DET 上，ADC 将稀有交互的 mAP 提升 4.02–8.57 个百分点，在线自适应场景下提升 2.87–7.36 个百分点，并在 V-COCO 与三种基础检测器上取得一致改进。
正文 · AI 翻译
摘要：长尾人-物交互（HOI）检测仍然具有挑战性，因为稀有交互在训练数据中表示稀疏。尽管测试观测提供了额外的视觉证据，现有的基于缓存的方法通常为各类别分配统一的内存容量，限制了它们捕获表示不足的交互中有信息特征的能力。为解决这一问题，我们提出了自适应多样性缓存（ADC），这是一个无需训练、即插即用的框架，通过频率感知的容量分配和置信度-多样性联合样本选择来自适应地构建测试时缓存。具体而言，频率感知缓存适配使用频率相关的优先级和加权对数分配目标，为表示不足的交互分配更大的容量，并用选定的增强视图填充剩余槽位。置信度-多样性联合缓存选择进一步将预测置信度与局部特征多样性相结合，以保留有信息的缓存条目。然后，缓存检索对冻结检测器的预测进行细化。在 HICO-DET 和 V-COCO 上跨三个基础检测器的实验表明了一致的改进。在 HICO-DET 上，ADC 将稀有交互的平均精度均值（mAP）提高了 4.02--8.57 个百分点，同时也提高了非稀有交互的性能。在线适配进一步在稀有交互上实现了 2.87--7.36 个百分点的增益。这些结果表明，自适应测试时内存有效地补充了现有的 HOI 检测器，并提高了长尾检测性能。
| 评论： | 修订版，扩展了理论分析、增加了实验并改进了表述 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2511.18811 [cs.CV] |
| （或 arXiv:2511.18811v3 [cs.CV] 为此版本） | |
| https://doi.org/10.48550/arXiv.2511.18811 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuqiu Jiang [查看邮箱]
[v1]
2025年11月24日 星期一 06:30:08 UTC（3,228 KB）
[v2]
2026年3月10日 星期二 13:53:03 UTC（2,666 KB）
[v3]
2026年11月5日 星期四 08:22:36 UTC（2,183 KB）
来源：arXiv cs.AI · arxiv.org