该研究提出了 SESAR 方法，它将无监督学习和少量有监督学习相结合，通过两个组件对骨骼动作序列进行训练，从而实现骨骼动作识别，其性能超越其他方法，即使只使用 1% 已标记的数据。

Dec, 2020

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

本文探讨了基于自监督学习的骨骼动作识别中的表征学习问题，提出了一种多任务自监督学习的方法，包括运动预测、拼图识别和对比学习等方法。实验表明该方法在不同配置下的动作分类器上表现出优异的性能。

Oct, 2020

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

通过无监督学习和骨骼云彩化技术，在没有标注的骨骼序列数据中学习骨骼表示，并使用自编码器框架从由骨骼关节的人工彩色标签中学习时空特征，实现 3D 动作识别。在 NTU RGB+D 和 NW-UCLA 数据集上的实验结果表明，所提出的方法在无监督和半监督 3D 动作识别中表现出色，也在有监督 3D 动作识别方面取得了良好的性能。

Aug, 2021

将动作识别方法集成到自主机器人系统中，考虑目标遮挡的不利情况是至关重要的。我们提出了一种简单有效的方法，通过预训练使用遮挡的骨架序列，然后使用 KMeans 对序列嵌入进行聚类，以填补缺失的骨架数据，从而为现有基于骨架的自监督模型带来显著的好处。同时，在 Partial Spatio-Temporal Learning (PSTL) 的基础上，我们引入了一种新的 Occluded Partial Spatio-Temporal Learning (OPSTL) 框架，利用 Adaptive Spatial Masking (ASM) 更好地利用高质量完整的骨架数据。我们的填补方法的有效性在具有挑战性的 NTURGB+D 60 和 NTURGB+D 120 的遮挡版本上得到了验证。

Sep, 2023

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

本文提出了一种自监督的方法，设计了一种新颖的骨骼云着色技术，并通过骨骼序列数据的无标签学习学习骨骼的空间和时态表示。该方法在不同配置下训练的线性分类器上评估，并在多个数据集上进行了广泛的实验。结果表明，该方法在无监督和半监督 3D 动作识别方法中取得了很大的提升，并且在监督 3D 动作识别方面也取得了竞争性能。

Apr, 2023

PCRP 网络提出了一种结合了原型聚类和反向预测的无监督表示学习框架，利用潜在变量隐式编码序列之间的语义相似性，并通过期望最大化算法进行优化，实现了在骨骼动作识别中超越监督学习方法的效果。

Nov, 2020

运用无监督异常行为识别方法，基于骨架提取特征，提出了具有领域无关性、鲁棒性和零样本学习框架，通过用户提示嵌入与骨架特征的相似度计分，间接补充正常行为，加强了基于骨架的方法的可靠性，能够有效地识别异常事件。

Mar, 2023