该研究基于 SALSA 数据集，实现了针对自由对话群体的多模态社交场景分析，该分析可以自动提取每个参与者的行为和个性特点，并论证了多个线索的协同作用如何有助于对社交互动的自动分析。

Jun, 2015

本文提出了一个集成图像和视频的大规模数据集， 收集了各种类型的目标（不仅是行人，还有自行车，滑板车，汽车，公交车，高尔夫球车）在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法，并且这个算法利用了新数据集的复杂度，可以模拟交互中的社会力量对行人的影响，有效地解决了目标跟踪与轨迹预测问题。

Jan, 2016

本研究利用机器学习和全面的街景图像数据集，探讨纽约市的城市安全挑战，以识别城市景观与犯罪率之间的关系，并特别关注街景特征与犯罪率的相关性，从而为城市规划和犯罪预防提供见解，凸显环境设计在提升公共安全方面的潜力。

Apr, 2024

本文提出了一个端到端的可训练框架来解决人类活动理解中的社交任务。该框架同时分组人们，预测他们的个人行为和每个社交团体的社交活动，并提供了新的数据集注释。

Jul, 2020

本文描述了利用分层多尺度注意模型，主动学习语义分割和 Crowd+AI 评估人行道状态和易达性特征等方法，从卫星图像中半自动构建人行道网络拓扑结构的初步工作，并呼吁建立标准化的步行街景场景数据库和基准。

Jun, 2022

该论文提出了一种使用可穿戴照相机实现自动社交模式刻画的系统，其中通过检测与相机佩戴者互动的人，并将检测到的社交互动分类为正式和非正式两个步骤，在事件级别上对每个潜在的社交事件进行建模，并使用 LSTM 网络进行时间序列分类。最终通过聚类同一个人在整个社交互动集中的出现来全面理解用户的社交关系的多样性和频率。实验表明，该系统应用于自我中心的照片流上的社交模式刻画任务取得了有望的结果。

Sep, 2017

本文提出了一种名为 LSTA 的机制，向注意力平滑地跟踪视频序列中的动态空间相关部分的特征，有效提高了两流架构的自我中心活动识别性能，并且在四项标准测评中取得了最佳表现。

Nov, 2018

利用基于深度学习的计算机视觉方法，该研究使用 2008 年至 2021 年间的 1500 万街道图像来测量伦敦的变化，成功地识别了住房供应的变化，为城市规划和政策决策提供及时信息，以建设更宜居、公平和可持续发展的城市。

Sep, 2023

该论文提出了使用神经网络对人类社交行为进行检测和推断的方法，并通过检测和推断的结果实现了对个体和群体行为的估计。该论文在多个公共基准测试上展示了算法的最新性能。

Nov, 2016

该论文研究了使用社交媒体数据自动识别安全和适宜步行街道以部分自动化计算步行性的可行性，其结果为提供实用机会以及探索步行性领域尚未解答问题的研究提供了理论基础。

Mar, 2015