人物交互检测和动作分析的一点思考

我想，一段视频，先进入人物交互检测网络提取每一帧信息，再送入动作识别网络，再将两者整合，提取到的特征包含每一帧的人点、物点和交互点，又带有时序性，最后还能评估动作质量。这个想法可行吗？ 小白求指教