For a given video-based Human-Object Interaction scene, modeling the spatio-temporal relationship between humans and objects are the important cue to understand the contextual information presented in the video. With the effective spatio-temporal relationship modeling, it is possible not only to uncover contextual information in each frame but also to directly capture inter-time dependencies. It is more critical to capture the position changes of human and objects over the spatio-temporal dimension when their appearance features may not show up significant changes over time. The full use of appearance features, the spatial location and the semantic information are also the key to improve the video-based Human-Object Interaction recognition performance. In this paper, Spatio-Temporal Interaction Graph Parsing Networks (STIGPN) are constructed, which encode the videos with a graph composed of human and object nodes. These nodes are connected by two types of relations: (i) spatial relations modeling the interactions between human and the interacted objects within each frame. (ii) inter-time relations capturing the long range dependencies between human and the interacted objects across frame. With the graph, STIGPN learn spatio-temporal features directly from the whole video-based Human-Object Interaction scenes. Multi-modal features and a multi-stream fusion strategy are used to enhance the reasoning capability of STIGPN. Two Human-Object Interaction video datasets, including CAD-120 and Something-Else, are used to evaluate the proposed architectures, and the state-of-the-art performance demonstrates the superiority of STIGPN.


翻译:对于基于视频的人类- 时间互动场景, 模拟人与对象之间的时空关系是理解视频中背景信息的重要提示。 通过有效的时空空间关系建模, 不仅可以在每个框中发现背景信息, 还可以直接捕捉时际依赖性。 当人和对象的外观特征可能不会随时间变化而出现显著变化时, 捕捉在空间- 时空维度上的人和对象的位置变化更为关键。 充分利用外观特征、 空间位置和语义信息也是改进视频- 人类- 对象互动互动互动互动的识别功能的关键 。 在本文中, Spatio- 时空互动图分析网络( STIGN) 不仅可以在每个框中发现背景中发现背景中的背景信息, 直接捕捉到由人和对象组成的图表。 这些节点与两种类型的关系是:(i) 模拟人类与互动对象之间的空间关系, 在每个框中, 空间- 图像- 图像- 图像- 图像- 和图像- 图像- 图像- 图像- 图像- 图像- 图像- 图像- 系统- 系统- 和图像- 图像- 图像- 图像- 图像- 图像- 图像- 系统- 图像- 系统- 和图像- 图像- 图像- 图像- 图像- 图像- 图像- 图像- 系统- 系统- 图像- 图像- 图像- 系统- 系统- 系统- 和图像- 图像- 系统- 系统- 系统- 系统- 图像- 系统- 系统- 系统- 系统- 系统- 系统- 系统- 系统- 系统- 系统- 系统- 系统- 系统- 系统- 和图像- 系统- 系统- 系统- 和互动- 系统- 系统- 系统- 系统- 系统- 系统- 系统- 、 和图像- 系统- 、 系统- 、 、 、 、 和图像- 、 、 、 、 和图像- 系统- 和图像- 和图像- 系统- 系统- 系统- 系统- 和图像- 、 、 、 、 、

0
下载
关闭预览

相关内容

IFIP TC13 Conference on Human-Computer Interaction是人机交互领域的研究者和实践者展示其工作的重要平台。多年来,这些会议吸引了来自几个国家和文化的研究人员。官网链接:http://interact2019.org/
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
专知会员服务
60+阅读 · 2020年3月19日
专知会员服务
109+阅读 · 2020年3月12日
AAAI2020 图相关论文集
图与推荐
10+阅读 · 2020年7月15日
“CVPR 2020 接受论文列表 1470篇论文都在这了
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
论文浅尝 | Interaction Embeddings for Prediction and Explanation
开放知识图谱
11+阅读 · 2019年2月1日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【ECCV2018】24篇论文代码实现
专知
17+阅读 · 2018年9月10日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Arxiv
0+阅读 · 2021年10月13日
Arxiv
24+阅读 · 2018年10月24日
Arxiv
4+阅读 · 2018年6月5日
VIP会员
相关资讯
AAAI2020 图相关论文集
图与推荐
10+阅读 · 2020年7月15日
“CVPR 2020 接受论文列表 1470篇论文都在这了
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
论文浅尝 | Interaction Embeddings for Prediction and Explanation
开放知识图谱
11+阅读 · 2019年2月1日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【ECCV2018】24篇论文代码实现
专知
17+阅读 · 2018年9月10日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Top
微信扫码咨询专知VIP会员