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

本研究旨在研究是否可以从生活场景中的人脸图像中对人际关系进行细分和高水平特征的表征和量化，并提出了一种采用深度网络架构来识别面部表情的方法，以预测人际关系，并展示出了良好的实验结果。

Sep, 2016

本研究提出一种基于对象关系模块的深度学习模型，可以同时处理对象之间的外观特征和几何关系，从而提高了对象识别和重复去除步骤，在 CNN-based detection 中显著地有效，且无需额外 supervision，是第一个完全端到端的物体检测器。

Nov, 2017

本研究提出了一种基于多粒度推理的社交关系识别框架，包括全局知识，中层细节和细粒度姿态关键点。研究设计了基于姿态指导的人物对象图和人物姿态图来建模人物到对象的动作和配对人物之间的交互，并借助图卷积网络进行社交关系推理。实验结果表明提出的框架在两个公共数据集上具有较高的效果。

Jan, 2019

本文研究了集体照片中个体的重要性，并提出了一种衡量图片中人物重要性的方法，通过纯视觉线索自动预测人物重要性，在生成描述人群图片句子的应用（如 im2text）中，加入这种预测结果可以显著改善效果。

Feb, 2015

本研究使用深度模型从面部图像中学习捕捉性别、表情、头部姿势、年龄等属性，采用面部间的配对推理进行社交关系预测，实验证明我们的方法有效用于图像和视频中细粒度社交关系的学习。

Sep, 2015

本文介绍了一种利用人体姿态提示的多层次关系检测策略，通过深度学习的方法将人体姿态融入到三个语义层面的关系表示中，以解决人体场景中精细化的物体交互识别问题。实验证明本方法在公共基准测试中表现优异。

Sep, 2019

我们提出了交互关系网络（Interaction Relational Network），它是一种简单而强大的架构，利用了关于人体结构的最少先验知识，通过定义不同的关系和重要的有结构的成对运算来更好地表示交互，并使用 LSTM 来进行关系推论，实现了与先前最先进的方法相似的结果。

Oct, 2019

本文提出了一种 Dual-Glance 模型，通过对人物关注视线的两个不同方面分别提取特征，结合注意力机制分析上下文线索，从而识别图片中的社交关系，并通过 Adaptive Focal Loss 方法处理模糊注释以提高识别效果，实验表明此方法在社交关系识别中取得了最新的最优效果。

Dec, 2018