PersonRank：图像中重要人物的检测

在演讲、篮球比赛或发言等某些事件中，图像中的某些个体往往比其他个体更重要/更吸引人。然而，由于人的姿态、动作、外观存在多种变化，且场合也有各种改变，直接基于空间或外观信息在图像所有个体中寻找重要人物具有挑战性。我们通过构建多重超交互图（Hyper-Interaction Graph）来克服这一困难，将图像中每个个体视为一个节点，并参考由各类线索估计出的交互来推断最活跃的节点。我们将人之间的成对交互建模为节点间传递的边消息，从而得到一个双向成对交互图。为了丰富人与人交互的估计，我们进一步引入单向超交互图，其对一个焦点人物与其周围局部区域内任意人物之间的交互一致性进行建模。最后，我们改进 PageRank 算法，在多重混合交互图（HIG，即成对交互图与超交互图的并集）上推断人物的活跃度，并将我们的算法称为 PersonRank。为了提供可供公开的评测数据集，我们贡献了一个称为多场景重要人物图像数据集（Multi-scene Important People Image Dataset）的新数据集，并从体育比赛序列中收集了一个 NCAA 篮球图像数据集（NCAA Basketball Image Dataset）。我们已经证明所提出的 PersonRank 明显且大幅优于相关方法。