用途：EgoHOS 面向第一人称（egocentric）视频，做像素级手部与所操作物体的分割，把视频帧中的手、物体和背景按像素区分开，便于分析手物交互与接触区域。相比只给边界框或关键点的方法，它输出更精细的轮廓与掩码。
主要能力：输出 hand_mask（手部二值掩码）、object_mask（物体二值掩码）、combined_mask（多类别掩码），以及 hand_bbox、object_bbox；可生成带彩色半透明叠加的标注视频；可计算机手与物体掩码的交集，得到接触像素数、手部覆盖率、物体覆盖率，并据此判断抓取等时刻；支持批量处理多段视频与批量导出训练用掩码。
使用方式：克隆 https://github.com/owenzlz/EgoHOS.git 并进入目录后，安装依赖 pip install torch torchvision opencv-python numpy pillow，下载预训练模型（如 bash scripts/download_models.sh 或 python scripts/download_pretrained_models.py），再运行 python demo.py --video egocentric_video.mp4 --output_dir ./output --overlay_masks --save_video。代码中通过 EgoHOS() 初始化、load_model('checkpoints/model.pth') 加载模型，再调用 segment(frame) 得到掩码、create_overlay(frame, masks) 生成叠加。
适用场景：手物操作与交互分析、接触区域研究、生成分割训练数据、精细活动识别、需要精确手部轮廓的交互理解系统，以及参考中的 HCI 与机器人等方向。
限制：专门针对第一人称手物交互；严重遮挡、光照不佳或手物边界不明显时效果可能下降；单帧处理，视频时间一致性需后处理；推荐使用 GPU，资料标注推理速度约 10–20 FPS；模型约 150MB、输入分辨率典型为 512x512、框架为 PyTorch。收费、价格与商业授权信息暂未提供，公开资料给出的 mIoU 约 80%、像素准确率约 92%、边界 F-score 约 85%，实际表现需在自有数据上验证。