私たちは、行動認識と人間の物体との相互作用のタスクに注目を組み込むための単純でありながら驚くほど強力なモデルを紹介します。提案する注目モジュールは、追加の監督あり・なしで訓練が可能であり、ネットワークのサイズや計算コストをほぼ同じに保ちつつ、精度を大幅に向上させます。このモデルは、静止画と動画における3つの標準的な行動認識ベンチマークにおいて最先端の基本アーキテクチャを大きく上回る結果を示し、MPIIデータセットでは12.5%の相対的な改善により新たな最先端を確立しています。また、我々はこの注目モジュールについて実証的にも解析的にも広範な分析を行いました。解析的な観点から、私たちはボトムアップおよびトップダウンの注目に二重線形プーリング手法（通常細かい分類に使用される）の低ランク近似として新しい導出方法を提案します。この視点から、私たちの注目の定式化は行動認識を細かい認識問題として的新しい特徴づけを示唆しています。