用于活动识别中物体-物体交互建模的动态图模块

视频动作识别作为视频理解中的关键问题，已受到越来越多的关注。为了识别由复杂物体-物体交互引发的动作，我们不仅要考虑单帧中物体间的空间关系，还要考虑跨多帧的不同或相同物体间的时间关系。然而，现有对视频表示与非局部特征建模的方法，要么无法显式地在物体-物体层面建模关系，要么无法处理流式视频。本文提出一种新颖的动态隐图模块来建模视频中复杂的物体-物体交互，考虑了两种实例化：捕捉物体间外观/运动变化的视觉图，以及捕捉物体间相对时空位置变化的位置图。此外，所提出的图模块允许我们处理流式视频，这使其区别于现有方法。在基准数据集 Something-Something 和 ActivityNet 上的实验结果表明了我们的方法具有竞争力的性能。