模型人与场景、物体之间的关系有助于精细化人类行为的区分，有别于现有 3D ConvNets 的方法，而采用 actor-centric relational network 以弱监督方式自动挖掘相关要素计算 pair-wise relation，实现 state-of-the-art 表现。

Jul, 2018

该研究提出了一种名为 MRSN 的神经网络模型，利用 Actor-Context 和 Actor-Actor Relation Encoder 分别建模，并通过 Relation Support Encoder 计算二者的支持并进行关系级互动，最终通过 Relation Consensus Module 将这两个关系与长期关系相融合，成功地解决了动作检测这一具有挑战性的视频理解任务。

Apr, 2023

本文提出了一种称为 ACM-Net 的动作上下文建模网络，它在体现动作实例、上下文和非动作背景部分的同时，采用了三分支注意模块来给每个时间点分手概率，并构建了三分支类激活序列来分别表示这三部分，通过在 THUMOS-14 和 ActivityNet-1.3 上的实验证明了这种方法能够胜过当前最先进的方法，甚至能够与完全监督方法达到可比较的性能水平。

Apr, 2021

本文提出一种用于动作识别的多类型关系建模方法，并采用训练策略将多种关系建模集成到两个大规模视频数据集的端对端训练中去。同时，结合记忆库的学习和面向长尾数据分布的微调方法，以进一步提高性能，最终在 AVA-Kinetics 测试集中实现了 40.67 mAP 的成绩。

Jun, 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

本研究提出使用注意力模块中的演员条件化关注映射（ACAM）代替兴趣区域池化，以实现针对特定演员的动作定位，并利用预训练的物体检测器进行物体检测，从而在 AV2.1 和 JHMDB 数据集上获得明显改进。

Dec, 2018

本文旨在研究视频中多人行为预测。文章提出了一种 Discriminative Relational Recurrent Network 模型，通过构建循环图形式对不同演员之间的时空相互作用进行联合建模，从而在不需要显式监督的情况下，学习选择相关性。该方法在 AVA 数据集上预测动作的评估和 J-HMDB 任务的性能都有显著提高。

Apr, 2019

在这项研究中，我们提出了一种基于多演员预测学习的自监督方法，用于流媒体视频中的社交活动识别。通过使用视觉语义图结构，我们对社交互动进行建模，从而实现了关系推理，使其在具有最少标记数据的情况下具有鲁棒性表现。该方法在标准群体活动识别基准上取得了竞争性的性能，并通过三个公开可用的动作定位基准的评估证明了其可泛化到任意动作定位的能力。

Jun, 2024

本文引入了 ACSNet 以达到精确的弱监督时间动作定位，即通过关注机制，使用前景 - 背景分支和动作 - 背景分支来区分前景、背景、动作和环境，并使用辅助上下文类别进行扩展标签来帮助学习动作上下文分离，并在 THUMOS14 和 ActivityNet v1.2/v1.3 数据集上进行了实验。本文提出的 ACSNet 在现有的 WS-TAL 方法中获得了巨大的优势。

Mar, 2021

该研究介绍了一种基于深度网络的上下文感知情感识别方法，利用了人脸表情和场景上下文信息进行情感识别，并通过引入新的基准数据集 CAER 在多个基准测试中表现出了上下文对于情感识别的有效性。

Aug, 2019