本研究提出一个基于深度学习的人体动作捕捉数据的通用模型，学习自大量的捕捉数据中，并成功应用于人体动作特征提取、分类和预测，优于现有最新技术，具有普遍性。

Feb, 2017

本文提出了一种基于前馈深度网络的预测人体运动的方法，通过在运动轨迹空间而非传统的姿态空间中编码时间信息，同时使用通用的图卷积网络自动学习人体姿势的空间依赖关系，从而实现了超越以往人体运动预测方法的性能。

Aug, 2019

该论文提出了一个新的结构化预测层的方法，该层可通过一个连接类似于人体运动的动力链的一组小型神经网络的层次结构和损失函数的关节分解来明确地建模关节依赖性，并可以增强运动预测的性能和预测质量，而不受基础网络、关节角度表示和预测时间长度的限制，并在 AMASS 数据集上训练和测试后取得了良好的效果。

Oct, 2019

本文利用语义图模型和图注意力层来建立上下文感知体系结构，旨在正确建模人类行为中的对象和人际互动以提高人类运动的预测准确性。通过在全身人类动作数据库上进行的彻底评估，论文显示出模式的优越性。

Apr, 2019

现有的图卷积网络在实现人体动作预测时，大多采用一步方案，直接从历史输入中输出预测结果，未能充分利用人体运动模式。我们观察到人体运动具有过渡模式，并且可以分解为代表每个过渡的片段。我们提出了一种片段到运动的多阶段框架，将运动预测分解为更容易完成的子任务。每个子任务集成了三个模块：过渡姿势预测、片段重建和片段到运动的预测。具体而言，我们首先预测只有过渡姿势，然后使用它们重建相应的片段，得到接近真实运动序列的近似结果。最后，我们对其进行细化，生成最终的预测输出。为了实现网络，我们提出了一种新颖的统一图建模方法，相比于现有方法依赖于分离的时空建模，可以直接有效地传播特征。对 Human 3.6M、CMU Mocap 和 3DPW 数据集进行了大量实验证明了我们的方法的有效性，其达到了最先进的性能。

Jul, 2023

本文提出一种基于 2D CNN 的新网络 TrajectoryNet，用于预测轨迹空间中未来的姿势，重点在于对先前姿势序列的耦合时空特征、局部全局空间特征和全局时间共现特征的建模，实验结果表明所提出方法在 3 个基准测试上达到了最先进的效果。

Oct, 2019

本文旨在研究人体运动建模领域的前沿研究，特别关注基于深度递归神经网络的研究成果，对当前问题的评价方法进行了调查，在研究现有的体系结构、代价函数和训练程序时，提出了三点标准改进措施，取得了最新技术的突破性进展。

May, 2017

本文在三个主要方面提出了改进：（1）使用生成对抗网络（GAN）预测 3D 人体动作，（2）设计架构来学习身体姿势和全局动作的联合分布，（3）提出了基于频率分布的两种替代指标来反映长期人类运动的实际分布，结果表明本文方法显著改善了现有技术，同时能够处理受到遮挡、噪声和丢失帧等影响的情况。

Dec, 2018

提出了一种使用动态骨架特征建模监控视频中人类运动规律的新方法，该方法通过将骨架运动分解为全局身体运动和局部身体姿势两个子组件，并使用新型消息传递编码 - 解码循环网络来建模相互作用的耦合特征，以精确识别来自监控视频序列的人类相关的异常事件并提供可解释性。与传统的基于外观的模型相比，该方法实现了卓越的异常检测性能。

Mar, 2019

本论文提出了一种基于骨骼的人体动作识别方法，该方法采用循环神经网络建模体关节的 3D 位置配置之间的时间依赖关系，利用空间域和时间域共同分析骨架序列中与动作相关信息的潜在来源，并提出了一种有效的基于树状结构的遍历框架，以处理 Kinect 骨架数据中的噪声。该方法采用了新的 LSTM 模块中的门机制，通过学习连续数据的可靠性，并相应地调整长期上下文表示存储在单元的内存单元中输入数据的影响，从而处理骨架数据中的噪声，并提出了一种新颖的多模态特征融合策略。实验结果表明该方法在 7 个具有挑战性的基准数据集上具有很好的效果。

Jun, 2017