项目背景与问题当前基于Transformer的人物-物体交互（HOI）检测方法通常依赖DETR目标检测和多模态视觉语言模型（VLM）的先验知识，虽然精度高，但存在训练时间长、优化复杂等问题，特别是在同时预测物体和交互时，query表示模糊、动词和HOI标签之间存在语义差距。我们的方法：SOV-STG-VLA1. 本项目提出了一个新方法 SOV-STG-VLA，由三部分组成：2. SOV解码器：将主语-宾语-动词解耦建模，独立处理目标检测和动词识别，使用创新的交互区域表示提升表达清晰度。3. STG去噪策略：引入“特定目标引导”的去噪机制，利用真实标签信息优化query嵌入训练过程，提升训练效果与推理鲁棒性。4. VLA视觉语言顾问：设计一个融合模块，引入VLM中的视觉知识，与交互区域信息融合，同时通过动词与HOI标签之间的“桥接模块”提升交互理解能力。实验结果与贡献本方法在准确率上达到了SOTA（当前最优），同时只用了原有方法六分之一的训练轮数即可收敛，显著提高了训练效率，为HOI任务提供了更高效、更易优化的新思路。