该论文介绍了一种时间关系网络（TRN），通过对多个时间尺度上视频帧之间的时间依赖关系进行学习和推理，使卷积神经网络具有发现视频中时间关系的显着能力。经过实验证明，TRN 配备的网络可以通过仅稀疏采样的视频帧，在 Something-Something、Jester 和 Charades 数据集上准确预测人 - 物交互，并以非常有竞争力的性能识别 Jester 数据集上的各种人类手势，并在 Charades 数据集中识别日常活动，这超过了两个流网络和 3D 卷积网络的表现。进一步的分析表明，模型在视频中学习了直观和可解释的视觉常识知识。

Nov, 2017

本篇论文提出了一种有效的 GCN 模块 DTGRM，用于捕获和建模视频帧之间的各个时间跨度的时间关系，并通过提出的自监督任务来增强模型的时间推理能力，这种模块在行为分割方面表现优于现有技术。

Dec, 2020

提出了一种名为 TimeGraphs 的新方法，将动态交互以分层的时间图形式建模，通过自监督方法构建多层次事件层次结构，有效地进行非均匀分布的动态推理。在多个数据集上评估 TimeGraphs 的性能，包括足球模拟器、Resistance 游戏和 MOMA 人体活动数据集，结果表明 TimeGraphs 在各种时间推理任务上都具有鲁棒性和效率，相比当前方法，在事件预测和识别任务上性能提升高达 12.2％。实验进一步证明了 TimeGraphs 的零样本泛化能力、对稀疏数据鲁棒性以及适应流数据的能力。

Jan, 2024

本研究提出了一种基于深度强化学习的新方法，通过构建语义关系图来显式地对人之间的关系进行建模，并应用两个代理来逐步优化低层次的空间 - 时间特征和高层次的语义关系，在离散动作空间中，特征蒸馏代理通过提炼最具信息量的关键帧来优化低层次特征，在连续动作空间中，关系门控代理调整高层次的语义图以更多地关注与群体相关的关系，实验结果表明，该方法在两个广泛应用的基准上具有有效性和优越性。

Aug, 2019

提出了一种名为 TCGL 的自监督学习方法，通过建立图模型来学习视频的时序表示，利用 “片段内” 和 “片段间” 的时间依赖作为时序表示学习的自监督信号，在大规模行动识别和视频检索基准测试中展示了显著的性能优势。

Jan, 2021

本文提出了一种基于深度学习和 Actor Relation Graph（ARG）的方法，用于高效地学习和建模多人场景中演员之间的关系，并在两个标准数据集上取得了现有最佳表现

Apr, 2019

本文提出一种名为 “grouped spatial-temporal aggregation” 的新型分解方法，将特征通道分解成空间和时间分组并在并行处理。实验证明，该方法在需要时序推理的动作识别任务上具有更加高效的性能。

Sep, 2019

本文介绍了一种基于全连通时空图的条件随机场模型，利用空间和时间上的关系较强的实体之间的统计依赖关系，通过在视觉观察条件下学习自适应关系来对其进行优化，同时，其在视频数据集（ImageNet Video 和 Charades）上表现出了最先进的性能。

Mar, 2019

提出一种基于 Hierarchical Graph Reasoning (HGR) 的模型，将 video-text matching 分解成全局到局部的语义层次；通过基于注意力的图推理生成层次化的文本嵌入，进而引导学习多样化和分层的视频表示，并通过整合不同的 video-text 层次的匹配来捕获全局和局部细节，从而实现视频和文本之间的交叉检索。

Mar, 2020

提出了一种基于解离图嵌入的物体相互作用图形表示，用于活动识别，该模型通过事实嵌入图结构来解开空间维度与时间变化之间的表示层次结构，并在 Charades 活动识别基准测试以及聚焦于与近碰撞事件的多物体交互的新数据集上进行了验证。

Dec, 2018