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

本文提出了一种基于卷积神经网络的框架用于骨骼动作识别，通过自动选择重要的骨骼节点和提取时间段提案进行动作分类和检测， 在NTU RGB + D数据集上获得了89.3％的验证准确性和93.7％的mAP。

Apr, 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

该研究使用3D骨架数据和卷积神经网络(CNN)和长短期记忆(LSTM)方法进行3D人体行为分析，证明CNN和LSTM的分数融合方法可以更有效地捕获空间-时间信息，并在NTU RGB+D数据集上取得了最先进的结果，在深度视频中的大规模3D人体动作分析挑战中排名第一。

Jul, 2017

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

本文提出了基于3D热力图堆叠的PoseC3D方法，相较于基于图卷积网络的方法，能够更有效地学习时空特征、更具鲁棒性，并且适用于多人场景，同时在处理过程中也更加易于与其它视觉模态进行结合。在四个具有挑战性的数据集中，PoseC3D方法均取得了卓越表现。

Apr, 2021

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