视频人物交互检测，首先利用图卷积网络学习空间特征，然后利用RNN学习帧间时间线索，接着利用注意力从帧间时间线索中学习片段间时间线索，最后细化回归人的活动和物体的启示。
ACM Multimedia-2020
1. 总述
由于多方面的原因，学习视频中的人-物交互是一个挑战性的问题。首先，该模型需要考虑场景中物体相对于人的方向变化。这使得基于图像的方法很难将人与物结合的RoI特征扩展到视频场景中。其次，大规模视频数据集（除了CAD-120）的难获取性使得很难训练出一个通用的、在现实场景视频中表现良好的HOI模型。最后，视频中的交互定义往往比较混乱，例如，placing vs. moving vs. reaching, opening a jar vs. closing a jar等。虽然存在这些挑战，但是视频允许利用图像中不存在的时间视觉线索。
本文提出了一个由三个阶段组成的流水线：（i）空间子网，（ii）帧级时间子网，和（iii）段级时间子网。
2. 网络结构
- （a）给定一段T帧的输入视频，每一帧都有人与物的边界框坐标。首先从ResNet-50中提取视觉特征。
- （b） 这些特征然后由空间子网（图神经网络）以每帧的方式进行处理得到空间特征。
- （c） 从空间特征中分离图结构，以及学习该片段中帧间的时间线索。
- （d） 利用注意机制将帧间特征归纳为片段嵌入，并利用片段间的关系对其进行细化，以回归人的子活动（拿）和物体启示（被拿）。
3. 数据集及实验
数据集为CAD-120，CAD-120数据集是一个视频数据集，包含4名受试者的120个RGB-D视频，他们每天进行10次室内活动（例如，制作谷类食品、加热食品）。每个活动都是一系列视频片段，涉及更精细的活动。在每个视频片段中，使用来自一组10个子活动类（例如，到达、浇注）的活动标签对人进行注释，并且使用来自一组12个子活动类（例如，浇注、可移动）的供给标签对每个物体进行注释。每段的帧长从22帧到150帧多一点。
实验结果为：
