本研究通过将视频异常检测问题简化为人体姿势的异常检测，使用一种基于 spatio-temporal graph convolution blocks 的基于正常化流的算法来处理这类数据，并在两个异常检测基准数据集上表现出最先进的结果。

Nov, 2022

本文提出了一种基于部件图卷积网络的人体动作识别模型，该模型将骨骼图分为四个子图，并使用相对坐标和时间位移代替 3D 关节点特征，相对于使用整个骨骼图的模型，能够提高识别性能，实现了对挑战性基准数据集 NTURGB+D 和 HDM05 的骨骼动作识别的最先进水平。

Sep, 2018

本文提出了一种从视频中自动学习姿态特征的无监督方法，该方法利用了动作信号这一与外貌互补且可用于监督的信号，使用一个外貌卷积神经网络和一个运动卷积神经网络来表示姿态和生成动作编码，通过在 FLIC、PASCAL、UCF101 和 HMDB51 数据集上的 fine-tuning 实验证明了其在静态图像动作识别和视频动作识别方面的优越性。

Sep, 2016

本研究对两个视频异常数据集进行了分析和定量化，以更好地理解基于姿势的异常检测的困难之处，并探索了基于姿势和轨迹的区别能力以及基于上下文的有效性，从而加速更好性能、更具鲁棒性的模型的开发。

Mar, 2023

本文提出了一种新颖的时间姿势序列建模框架，可以将 3D 人体骨骼关节的动态嵌入到一个连续的潜在空间中，并应用于细粒度动作识别。 通过 Encoder GAN 和 PoseRNN 组合实现了一个无监督的骨架姿势重构和自编码器架构，该架构在 SBU 交互数据集上表现出了先进的传输性能和姿势插值。

Dec, 2018

本文提出了一种基于图神经网络 (GNN) 的在线学习姿态动态的新方法，通过纳入时空和视觉信息，匹配历史姿态 tracklets 并直接预测下一帧的目标姿态，通过综合检测到的姿态和预测，实现多人姿态估计和跟踪。实验结果表明，该方法在人体姿态估计和跟踪任务上具有优异的性能。

Jun, 2021

本文提出了一个新颖而高效的框架，通过无监督的潜在嵌入聚类与回归和分类组件来优化遮挡和非遮挡图像的潜在特征表示，并改善细粒度角度预测，在野外头部姿势数据集上得到了与最先进方法相当的竞争性能，并具有显著的数据减少优势。我们观察到遮挡头部姿势估计方面有显著改进，并进行了消融实验来验证我们提出的框架中聚类项的影响。

Mar, 2024

本研究提出了一种基于人体姿势的卷积神经网络描述子（P-CNN），该描述子通过人类身体部位的轨迹聚合运动和外观信息，可以显著提高在 JHMDB 和 MPII Cooking 数据集上进行的人体动作识别的最新表现。

Jun, 2015

本研究使用追踪和三维姿势来提高动作识别性能，并以 Lagrangian 视角分析人体运动轨迹，从而预测其动作，并提出一种 Lagrangian 动作识别模型，通过融合三维姿势和周围环境，达到业界最佳表现。

Apr, 2023

本文提出一种基于嘈杂标签下的监督学习方法，使用图卷积网络来清除标签噪声并提供正确的监督信息，以直接使用全监督方法来应用于弱监督异常检测，取得了较好的效果。

Mar, 2019