本文汇总了循环GCN在理解人类视线交流和群体活动识别方面的研究。第一篇工作通过时空图神经网络推断社交场景中的注视沟通；第二篇提出演员-转换器模型，利用transformer学习并提取群体活动识别的相关信息；第三篇通过深度强化学习逐步学习群体活动的低级特征和高级关系。所有方法都涉及从视频数据中捕捉空间和时间动态。
粗读几篇循环GCN有关论文，简单进行总结
1.Understanding Human Gaze Communication by Spatio-Temporal Graph Reasoning
提出了一个时空图神经网络来明确表示社交场景中不同的注视互动，并通过信息传递来推断原子水平的注视通信。我们进一步提出了一种具有编码解码器结构的事件网络来预测事件级的注视通信。
对输入视频执行空间推理，通过消息传播更新节点标识。在c中，粗的箭头表示权重较高，具有视线的交互。
通过输入的社交视频(a)，对于每一帧，我们构建一个初始完整的图G(b)，通过
最低0.47元/天 解锁文章
2563
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
