Bridging Detection Architectures With Foundation Models: A Unified Framework for Human–Object Interaction Detection

Human–Object Interaction Detection (HOID) has benefited greatly from advances in modern detection architectures and vision-language foundation models. In this paper, we present two progressively improved HOID frameworks—SOV-STG-VLA and Hybrid-SOV—that jointly push the frontier o...

Повний опис

Бібліографічні деталі

Автори:	Junwen Chen, Keiji Yanai
Формат:	Artigo
Мова:	Inglês
Опубліковано:	IEEE 2026-01-01
Серія:	IEEE Access
Предмети:	Human-object interaction detection transformer vision-language model vision foundation model
Онлайн доступ:	https://ieeexplore.ieee.org/document/11367687/
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!