通过使用自注意力图卷积网络 (GCN) 技术，本研究提出了一种混合模型，名为多尺度时空自注意力网络 (MSST-GCN)，以有效提高建模能力，并在多个数据集上取得了最先进的结果。该模型利用自空间注意力模块来理解帧内不同身体部位之间的关系，利用自时间注意力模块来研究节点帧之间的相关性。随后，通过多尺度卷积网络捕获节点的长程时空依赖关系，将它们组合成高层次的时空表示，并使用 softmax 分类器输出预测的动作。

Apr, 2024

提出一种新型的解耦空 — 时间注意力网络 (DSTA-Net) 用于基于骨架的动作识别，该网络只涉及注意块，无需知道关节位置或关节间的相互连接，通过使用解耦技术和空 — 时间注意力，能够更好地挖掘骨架数据的时间和空间特征，并在四个具有挑战性的数据集上实现最先进的性能表现。

Jul, 2020

本文提出了一种称为 Spatio-Temporal Graph Convolution (STGC) 的方法，用于动作识别中的骨架，该方法组合了本地卷积过滤器的成功和自回归移动平均的序列学习能力，通过递归地进行多尺度局部图卷积过滤器构建。实验表明 STGC 模型的有效性和优于现有技术的改进。

Feb, 2018

本论文提出了一种名为 DynSTGAT 的神经网络框架，该框架结合了动态历史状态和新的时空图注意力网络，旨在解决现有方法未充分利用空间 - 时间关联性的问题，提高交通信号控制的性能。

Sep, 2021

提出了一种基于空间 - 时间图卷积网络 (ST-GCN) 的骨架识别模型，该模型能够在不借助人工干预的情况下自动学习骨架在空间和时间上的表现，并且在动作识别以及泛化能力方面远优于之前的方法。

Jan, 2018

该研究提出了一种基于骨架的动作识别框架，利用空间 - 时间梯度来聚焦相关的空间 - 时间特征，并利用可学习的梯度增强和实例依赖邻接矩阵建立高阶空间 - 时间动态模型，并通过基于梯度的空间 - 时间注意力来指导分类器去关注何时以及何处，以优化堆叠的 STF 模块，该方法在几个数据集上呈现出具有竞争力的结果。

Feb, 2022

本研究提出了基于自注意力图卷积网络和 RBI-IndRNN 的双流神经网络，用于提取短期和长期时间信息，以实现手势识别。在 Dynamic Hand Gesture 数据集和 First-Person Hand Action 数据集上验证了其有效性，并取得了最新的性能。

Jan, 2021

本文提出了一种将手语序列表示为包含节点和边的骨骼图结构，并运用 Skeletal Graph Self-Attention（SGSA）方法实现手语的流畅和表达，该方法在 RWTH-PHOENIX-Weather-2014T 数据集上展现出比其它竞争方法更强的后向翻译表现。

Dec, 2021

提出了一种基于人类骨骼运动的时空图卷积网络的手语识别方法，使用图来捕捉手语在二维空间和时间上的动态，并提供了一个新的 ASLLVD 人体骨架手语数据集以供未来的相关研究。

Jan, 2019

提出了一种名为 STAGIN 的方法，该方法可以学习到大脑连通性的动态图表示，其中包括空间 - 时间关注的新型读取功能和变压器编码器，对 HCP - 休息和 HCP - 任务数据集的实验表现优异，并且具有与神经科学知识的相应解释。

May, 2021