本研究中，我们采用多重超级交互图来推断各种线索估计下最活跃节点，建立一个人对人的双向对等交互图来对人对人间的关系进行建模，并引入了单向超级交互图来丰富人际交互估计，并修改了 PageRank 算法来准确推断出图中每个人的重要性，同时我们提供了一个新的数据集：多场景重要人物图像数据集和从 NCAA 篮球比赛视频提供的篮球图片数据集。我们的 PersonRank 算法明显且大幅优于其他相关方法。

Nov, 2017

本文提出了一种人物重要性关系网络（POINT），通过结合关系建模和特征学习来实现对人物重要性的推断，其中我们推断出两种交互模块：人与人之间的交互模块和事件与人之间的交互模块，并从两种交互中估算出人与人之间的重要关系并编码，以此实现对人物的重要性分类，实验结果表明我们的方法对于重要人物的检测很有效。

Apr, 2019

本论文提出了一种使用部分注释的图像进行重要人物检测的方法，其中引入了伪标签分配的迭代学习方法，伪标签排名策略和两种加权策略，用于增强重要人物学习和忽略嘈杂的无标签图像，并证实了该方法的有效性。

Apr, 2020

本研究提出了一种基于交替网络和路径监督的无监督学习方法，不需要依赖摄像机佩戴者或第三方注释者的重要目标检测，该方法在两个不同的数据集上实现了与有监督学习类似或更好的结果。

Nov, 2016

通过研究人们在视觉设计中看和点击的位置，自动化模型预测数据可视化和图形设计中不同元素的相对重要性，并应用于自动设计重新定位和缩略图生成，并提供交互式设计工具，以提供设计过程中的即时反馈。

Aug, 2017

提出一种基于卷积神经网络的人物识别系统，针对不同的身体线索和训练数据量的信息量，系统的常见故障模式进行了深入分析，并讨论了现有基准的局限性并提出更具挑战性的基准，其简单易用且在社交媒体照片数据集（PIPA）上达到了更好的成果。

Sep, 2015

该论文提出了一种基于多图像区域（头部、身体等）的简单的人员识别框架，以应对社交媒体照片中的人员识别问题，并针对训练和测试样本之间的时间和外观差距提出了新的识别方法，该方法在 PIPA 基准上取得了最先进的结果，对不同的特征进行了深入的分析。

Oct, 2017

该研究提出了一种基于可视化隐私顾问的方法，在图像内容方面扩展用户的隐私设置，以减轻用户分享图片带来的隐私风险和隐私泄露的风险。通过将个人信息映射为图像属性，从图像直接预测个人信息，了解不同用户在隐私属性方面的偏好，并在此基础上提出模型以预测用户在隐私风险方面的表现，并在一定程度上优于用户自己的隐私风险认知。

Mar, 2017

使用计算机视觉方法从低曝光但高品质图片池中展现出美丽的照片。我们对 Flickr 上的大型数据集进行测试，通过聚集大量众包美学得分的基本事实，显示我们的方法检索到的照片的中位数感知美丽得分等同于最受欢迎的照片，平均得分仅低 1.5%。

May, 2015

利用从图像中提取的对象来确定图像为私人图像的难度比较大。通过使用特征归属来解释这些模型的决策，我们发现人类类别和其个数是决定隐私决策的主要因素。因此，这些模型在识别包含敏感数据的私人图像、车辆所有权和互联网活动的图像，以及含有人类的公共图像时通常失败。为了将来的基准测试，我们还设计了两个基于人类出现和数量的策略，并实现了与隐私模型相当的分类性能。

May, 2024