基于卷积神经网络的基础动作识别
本文提出了一种新的方法，使用骨架序列（即人类骨架关节的3D轨迹）进行三维动作识别，并使用深度神经网络进行空间时间特征学习和长期时间信息学习。实验结果表明该方法具有很好的识别效果。
Mar, 2017
该论文提出了一种基于图像分类的骨架视频动作识别方法，通过图像映射和卷积神经网络构建实现了在多个数据集上的最新成果。
Apr, 2017
本文提出了一种通过骨骼基于视频形象映射和深度回归图像中对象检测的方法，用于解决流媒体3D骨架视频中的行为检测问题，经实验证明其表现优越。
Apr, 2017
本文介绍了一种基于深度学习和骨骼信息的动作识别方法，该方法采用CNN代替RNN进行空时信息的提取和处理，将五种空间骨骼特征编码为图像并有效提高了3D人体动作分析的精度。
May, 2017
本文利用3D CNN提取基于骨架的动作识别的时空信息与深度特征，探讨其与RNN的互补性和噪声下的鲁棒性，并在SmartHome数据集和NTU RGB-D数据集上获得优异的表现。
May, 2017
本文研究通过骨架数据识别人体骨骼运动的方法，提出了基于图边卷积神经网络的方法，通过对骨骼边缘的空间和时间邻居关系的探究来识别人体运动，实验结果表明该方法可以更有效地识别人体运动，且融合节点卷积和图边卷积的混合模型可以进一步提高性能。
May, 2018
本文提出了一种基于部件图卷积网络的人体动作识别模型，该模型将骨骼图分为四个子图,并使用相对坐标和时间位移代替3D关节点特征，相对于使用整个骨骼图的模型，能够提高识别性能，实现了对挑战性基准数据集NTURGB+D和HDM05的骨骼动作识别的最先进水平。
Sep, 2018
这篇研究论文介绍了从基于深度学习架构的角度全面讨论使用三维骨架数据进行动作识别，并详细介绍了基于循环神经网络(RNN)-based、卷积神经网络(CNN)-based 和图卷积网络(GCN)-based的主流动作识别技术，并介绍了包括NTU-RGB+D在内的多个数据集和算法。
Feb, 2020
本研究提出了一种骨架动作识别方法，该方法对给定骨架特征的噪声信息具有鲁棒性，通过最大化正常和噪声骨架之间的互信息以预测编码方式来训练模型，并在NTU-RGB + D和Kinetics-Skeleton数据集上进行了综合实验，结果表明该方法具有明显的性能优势。
Mar, 2020
本文探讨了基于骨架的动作识别在人类动作识别数据集方面的优势，以及深度学习算法在该领域中的应用。同时，研究表明，通过适当的训练技巧、数据增强和优化器，卷积神经网络可以达到与图神经网络相媲美的效果。实验在NTU-60数据集上取得了95%的准确度。
Jan, 2023