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

本研究提出了一种新的双流自适应图卷积网络(2s-AGCN)，用于基于骨架的动作识别，通过数据驱动的方法学习网络拓扑结构，同时建立了包含一阶和二阶信息的双流框架，通过对NTU-RGBD和Kinetics-Skeleton数据集上的实验，证明了本模型的优越性。

May, 2018

本文提出了一种多流注意力增强的自适应图卷积神经网络(MS-AAGCN)，用于基于骨架的动作识别。该模型可以端到端地学习图的拓扑结构，并用空时通道注意模块提高模型注意到重要关节、帧和特征。多流框架同时建模关节和骨骼信息及其运动信息，结果在大规模数据集NTU-RGBD和Kinetics-Skeleton上都超过了现有技术水平。

Dec, 2019

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Dynamic GCN, 一种基于Graph Convolutional Networks的方法，通过引入Contextencoding Network (CeN)来自动学习骨架拓扑结构，CeN是一个轻量级且有效的卷积神经网络，能够嵌入到GCN中，该方法在NTU-RGB+D、NTU-RGB+D 120和Skeleton-Kinetics三个基准测试集上实现了当前的最佳表现。

Jul, 2020

本论文提出一种基于图卷积网络（GCN）的高效却强大的基线模型，该模型融合了多输入分支（MIB）、残差 GCN（ResGCN）和全局部分注意力机制（PartAtt）等三个关键组件，能够更加有效地提取具有区分度的骨骼动作特征，并在大规模数据集上取得了较高的分类性能比其他最先进的方法更好的性能。

Oct, 2020

通过对图形卷积网络中的拆分、变换、合并策略进行重新设计，我们构建了一个简单而高度模块化的图形卷积网络体系结构，用于骨架序列处理中的动作识别，并证明了其优于现有基于深度学习的方法。

Nov, 2020

该论文主要介绍了一种新型的骨骼动作识别模型叫做 TGN，结合了多尺度图策略来提取骨骼序列的时空特征，得到更好的实验结果。

Dec, 2020

本研究提出了一种多尺度空间图卷积和多尺度时间图卷积模型，通过分解相应的局部图卷积为一系列子图卷积，形成一个分层残差体系结构，使图卷积神经网络能够捕获空间和时间域中的短程和长程依赖关系，从而实现骨骼动作识别，该模型在三个基准数据集上表现出了显著的性能。

Jun, 2022

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