摘要
群体活动识别旨在理解一组人员共同执行的活动。为解决该问题，建模复杂的时空交互关系是关键。以往方法受限于在预定义图结构上的推理，忽略了个体间固有的、个性化交互上下文。此外，这些方法采用的推理机制计算开销大，且容易引发过度平滑（over-smoothing）问题。本文提出动态推理网络（Dynamic Inference Network, DIN），通过构建动态关系（Dynamic Relation, DR）模块与动态行走（Dynamic Walk, DW）模块，实现了时空层面的个体特异性推理。我们首先在初始时空图上初始化交互场；在每个交互场中，通过DR模块联合预测关系矩阵，通过DW模块预测动态行走偏移量，从而构建出个体特异的交互图。在此特定图结构上更新特征，使每个个体既能保留局部初始化信息，又能获得全局级别的交互感知能力。实验结果验证了两个模块的有效性。在两个主流数据集上，DIN在相同实验设置下显著优于现有最先进方法，同时推理模块的计算开销大幅降低。