提出 Dual-path Actor Interaction (DualAI) 框架和 Multi-scale Actor Contrastive Loss (MAC-Loss) 方法,通过可灵活布置空间和时间转换器、自监督 actor 一致性、二交互路径的 Multi-scale Actor Contrastive Loss (MAC-Loss) 等手段,增强演员之间的关系,并通过融合不同演员的特征来提高群体活动识别的性能。在多个数据集上的实验表明,该方法具有很好的推广能力,在有限监督的情况下仍能取得最先进的性能。
介绍了 Interaction Modeling with Multiplex Attention (IMMA) 方法,该方法能够准确地建模多智能体系统中代理之间的多种类型的相互作用,并利用渐进式层训练策略训练这种 d 听建筑,显示该方法在轨迹预测和关系推断方面胜过现有技术,并且可以改进零样本泛化,并探究不同的交互模式如何影响代理行为。