集体活动识别的潜在嵌入
本研究提出了一种新的基于 Transformer 模型的团队活动识别方法，该方法借助注意机制对部分环节进行定位与编码，再对其进行聚合以反映整个活动的完整背景和每个环节的时间演化，无需借助较强的监督方法，在两个基准测试中均表现良好。
Apr, 2022
本文针对视频序列中的团体活动行为分类问题，基于 LSTM 模型构建了一个 2 阶段的深度时间模型，同时考虑了个体和群体层面的动态信息，通过在排球视频数据集上的实验验证了该模型的有效性。
Jul, 2016
本文提出一种基于 actor-transformer model 认知视频中的个人行为和组群活动的模型，并通过 2D 姿态网络和 3D CNN 等方式提供丰富的个人动态和静态信息表示，从而在公开数据集上取得了显著的效果。
Mar, 2020
本文提出了一个端到端的可训练框架来解决人类活动理解中的社交任务。该框架同时分组人们，预测他们的个人行为和每个社交团体的社交活动，并提供了新的数据集注释。
Jul, 2020
通过 LSTM 模型构建 2 阶段深层次模型，从而更好地理解群体活动，利用这些动态实现群体活动识别，实验结果表明，该模型可以有效提高群体活动识别性能。
Nov, 2015
该论文提出了使用神经网络对人类社交行为进行检测和推断的方法，并通过检测和推断的结果实现了对个体和群体行为的估计。该论文在多个公共基准测试上展示了算法的最新性能。
Nov, 2016
本文提出了一种基于深度神经网络和分层图模型的个人和群体活动监测方案，使用深度网络识别场景中个人的动作，并通过考虑类别间的依赖关系使用神经网络分层图模型完善每个类别的预测标签，该方法能有效改善基准测试方法的识别率。
Jun, 2015
本文提出了一种新的对复杂活动中的子动作进行非监督学习的方法，将视觉和时间表示映射到一个空间中，利用 “判别式潜在概念学习” 模块进行无监督的子动作学习，可以在视觉和时间嵌入空间中学习到稳健的动作表示。
Apr, 2021
在计算机视觉领域，团体活动识别是一个热门话题。通过对团体关系进行活动识别，在视频分析、监控、自动驾驶和理解社交活动等各种场景中具有实际意义。本文综述了团体活动识别技术的现有研究进展，重点关注全局交互性和活动。首先，全面回顾了相关文献和各种团体活动识别方法，从传统方法到基于空间结构、描述符、非深度学习、分层循环神经网络（HRNN）、关系模型和注意机制的最新方法。其次，针对每个模块提出了关系网络和关系架构。第三，调查了团体活动识别的方法，并将其性能与最先进的技术进行了比较。总结了现有的挑战，并为新手提供了全面的指导，以便理解团体活动识别。此外，还回顾了团体活动识别中的新视角，探索了新的方向和可能性。
Jul, 2023