本文提出了一种新的人物再识别（re-ID）网络架构 Attribute Attention Network（AANet），该架构将人物属性和属性注意力图集成到分类框架中，并通过估计单个属性的类响应并将它们组合形成属性注意力图（AAM），来实现强大的判别性表示。在 DukeMTMC-reID 数据集上，相比使用 ResNet-50 的最佳前沿方法 arXiv:1711.09349v3 [cs.CV]，AANet 在 mAP 和 Rank-1 精度上分别超过 3.36% 和 3.12%；在重排后的 Market1501 数据集上，AANet 在 mAP 和 Rank-1 精度上分别达到 92.38% 和 95.10%，相对于另一种使用 ResNet-152 的最佳前沿方法 arXiv:1804.00216v1 [cs.CV]，精度分别超过 1.42% 和 0.47%。此外，AANet 还可以执行人物属性预测，并在查询图像中定位属性。

Dec, 2019

本文提出 Hierarchical Attention Network（HAN）用于实现复杂的人类行为理解。该模型可以同时融合视频的静态空间信息，短期运动信息和长期视频时间结构，并利用多步骤空间时间关注机制来自动学习视频帧中的重要区域和时间片段，最终在标准的视频行为基准测试中显著优于现有技术。

Jul, 2016

我们介绍了一种名为 AnomalyCLIP 的新方法，它首次将大语言和视觉（LLV）模型（如 CLIP）与多实例学习相结合，用于联合视频异常检测和分类。我们通过操纵潜在的 CLIP 特征空间来识别正常事件子空间，并有效地学习文本驱动的异常事件方向。我们还引入了一种计算效率高的 Transformer 架构来建模帧之间的短期和长期时序依赖关系，最终产生最终的异常分数和类别预测概率。我们通过对比三个主要的异常检测基准测试，即 ShanghaiTech，UCF-Crime 和 XD-Violence，实证地表明 AnomalyCLIP 在识别视频异常方面优于基准线方法。

Oct, 2023

提出了一种基于完全连接的时间条件随机场模型，用于推理各个活动方面，包括对象、动作和意图，其中潜在函数由深层网络预测；而异步变分推理方法使得高效的端到端训练成为可能，该方法在 Charades 基准测试中达到了 22.4％的分类 mAP，超过了现有技术 (17.2％mAP)。

Dec, 2016

本文研究了如何利用带有特征增强的关注网络学习框架，旨在建立一个能够模拟视频内容的时间动态、实现统一视频表示学习的框架，同时在已构建的大型视频问答数据集上验证其性能，结果表明新模型在选择和开放问题任务上具有有效性。

Jul, 2017

本研究提出了一种基于视觉 - 文本匹配的多模态学习框架，通过对标签文本的语义信息进行建模，并提出了一种新的 “预训练、提示和微调” 范例，以实现零样本行动识别。实验结果表明，ActionCLIP 模型不仅具有卓越的零样本 / 少样本的迁移能力，而且在 Kinetics-400 数据集上也取得了 83.8% 的高准确度表现。

Sep, 2021

该论文提出了基于少量学习设计的 Temporal Aware Embedding Network (TAEN), 用于低样本动作识别，并在 Kinetics-400 和 ActivityNet 1.2 few-shot 数据集上得到了令人满意的结果。

Apr, 2020

提出了一种基于 Agent-Environment Network 的方法来生成暂时动作建议，并在 THUMOS-14 和 ActivityNet-1.3 数据集上得到了良好的表现。

Jul, 2021

本技术报告介绍了我们在 CVPR-2022 AcitivityNet 挑战赛中获取的第一名的解决方案，该解决方案旨在为长型未修剪视频中的特定类别的动作实例定位时间边界，并且通过提出 Context-aware Proposal Network (CPN) 等创新技术，在提高精度方面大有改进。

Jun, 2022

提出了一种基于混合网络体系结构的面部动作单元检测方法，可同时处理面部表情解码中的三个问题：空间表示，时间建模和 AU 相关性。

Aug, 2016