本文旨在建立面向视频中长期动作预测的物体中心表示。我们提出利用视觉 - 语言预训练模型构建物体中心视频表示，通过 “物体提示” 从通用预训练模型中提取任务特定的物体中心表示。我们使用基于 Transformer 的神经架构来识别和预测人 - 物交互，并在 Ego4D、50Salads 和 EGTEA Gaze + 基准测试上进行了广泛评估，定量和定性结果证实了我们提出方法的有效性。

Oct, 2023

本文提出了一个双重注意力网络模型，该模型可以同时识别人类以及物体之间的动作，实现了物体及动作的同时识别，并在 Something-Something 数据集上展现了非常好的性能。除此之外，此模型还能够进行弱空间时间定位和可供性分割，可以识别物体的不同部分相互之间的交互。

Sep, 2019

本文提出了一种基于级联架构的人体 - 目标交互理解方法，包括实例定位和交互识别两个阶段，并引入了关系排名和三元流分类器等组件，在边缘像素级别完成交互关系细分，实现了极佳的关系建模表现。

Mar, 2020

这篇研究提出了一个新的机器学习模型，利用人类的行为、动作、动作具体区域等特征来预测目标对象的位置， 实现在图像中精确识别人体与目标物之间的互动关系，为实现目标识别和视觉感知提供了新的思路。

Apr, 2017

本文提出了一种有效学习任意子对象之间的高阶相互作用的方法，用以改善细粒度视频理解的准确性，包括动作识别和视频字幕生成等领域，在两个大规模数据集 Kinetics 和 ActivityNet Captions 上取得了最先进的性能。

Nov, 2017

提出了一种上下文关注框架，通过学习上下文感知的人和对象外观特征，并采用自适应方法选择相关实例中心的上下文信息以突出可能包含人物 - 物品交互的图像区域，从而在三个数据集上超越现有最佳方法。

Oct, 2019

本文提出了一种面向人的在线方法，用于视频中行动和互动的定位和预测。通过使用姿态估计和外观模型结合条件随机场和结构 SVM 方法，该方法可在数帧画面内准确地定位和预测动作和互动。

Dec, 2016

本文介绍了一种名为 KeyNet 的行动定位方法，仅利用基于目标的关键点数据来捕获场景中的上下文，从而在不使用任何 RGB 信息的情况下从对象和人类关键点中建立结构化中间表示，演示了如何从对象关键点中建模以恢复使用 AVA、动力学数据集上的关键点信息造成的上下文损失。

May, 2023

本文讨论了利用深度学习模型进行人类活动识别研究中的挑战，并提出了一种基于对象感知网络的模型，以实现对视频中的语义意义的时空交互的推理，从而在三个不同的数据集上取得了最先进的结果。

Jun, 2018

本文提出了一种利用实例注意力重点聚合一张图像中与人 - 物交互相关的特征，实现人 - 物交互检测任务的方法，并在 COCO 和 HICO-DET 数据集上验证了其有效性，结果明显优于现有技术。

Aug, 2018