-----------------------《1》.本文的思想方法：--------------------------
利用迁移学习的交互知识（人和物是否发生交互）信息，促进人和物交互检测。在分类之间，先判断出人和物有无交互。
-----------------------《2》 关于Interactiveness Knowledge：--------------
1.作用：指明人和物是否发生交互，促进后面的类别检测。
2.来源：通过交互网络学习，从HOI datasets， regardless of HOI category settings（交互式网络是一种可转换的知识学习者，可与任何HOI检测模型合作，以达到理想的结果）
-----------------**《3》**HOI detection ：-------------------------------
1.检索人和对象的位置，并从静态图像推断交互类
------------------**《4》**our method（two stage）--------------------------------
process:
first stage: we first discriminate a human-object pair as interactive
or not
second stage : classify it as specific HOIs
两阶段的好处：
1）这样的两阶段预习将减轻学习困难，并引入层次预测。
2）需要特别注意的是，交互性提供了额外的信息来帮助HOI分类，并且独立于HOI类别设置。这意味着它可以跨数据集传输，并用于增强为不同HOI设置而设计的HOI模型。
=======4.论文的第四部分方法详解=
4.1. overview：
从语义的角度来看，交互知识提供了比传统的HOI范畴更普遍的信息。因为任何一个人-物对都会被分配一个根据HOI注释的二值交互标签。
来源：交互性知识可以从不同的HOI类别设置的多个数据集学习，并转移到任何特定的数据集。
(interactiveness predictor）P：交互性预测网络
作用：利用交互性知识来减少由于过多的非交互候选对造成的误报。
（Representation Network）R：feature extractor
作用：R is responsible for feature extraction from detected instances
（Classification Network） C：HOI classifier
作用： C utilizes node and edge features to perform HOI classification
4.2 Representation and Classification Networks
Human and Object Detection:
使用检测框架ResNet-50-FPN，得到人和物的边界框，和相应的分数。检测的结果将会用设定的阈值按照分数筛选。
Representation Network
a Faster R-CNN [22] with ResNet-50
HOI Classification Network
对于我们的分类网络C，总共三个流，人物流，物体流，空间流。我们利用一个人流和一个对象流来提取人、对象和上下文特征.空间流用于编码实例的空间位置。
4.3. Interactiveness Network：
交互网络主要跨HOI数据集学习交互知识。并最终用于判断是否有人和物的交互.
网络的输入：这里的输入也是三个流，人流和物流，空间和姿态融合的流。
交互可以通过提取和融合必要的信息，进行学习。
1.The visual appearance of human and object
2. spatial location and human pose information.
图4 中上面部分，person2和person1就是根据空间位置判断有无交互
图4中下面部分，两个人都离动物很近。这时候。根据人的姿态，判断有无交互。
所以将视觉图像、空间位置和人体姿态信息结合起来，是实现交互性识别的关键。
网络P:这里的人流分支H，物流分支C和网络R里面的分支共享权重
在联合训练中，hp、O P块可以与hc、O C共享权重。该权值共享策略能够保证多任务训练中信息共享，更好地优化P和C。
4.4 Interactiveness Knowledge Transfer Training：
利用R、P和C，我们的框架有两种实现模式:默认模式下的层次联合训练和迁移学习模式下的迁移训练。
Hierarchical Joint Training
a)上图是默认模式下的联合训练
Non-Interaction Suppression (NIS) ·
a）前面的图是训练，interactiveness discrimination and HOI classification两个任务联合训练
后面的那个图是测试。先判断有无交互，再进行分类
图（b）前面的上半部分P，在不同的数据集训练一个transferable knowledge learner，
前面的下半部分C，考虑到不同数据集中HOI类别设置的多样性，C必须在单一数据集上进行一次训练。
4.5 Testing with Non-Interaction Suppression：
完结，下面实验部分请看论文。