在长时间动作序列中，通过有效地建模具有辨别性的时空信息对活动进行分割非常重要。然而，我们观察到现有方法在弱时空建模能力上存在局限，原因是存在两种解耦建模方式：（i）级联相互作用耦合了空间和时间建模，导致长序列上的动作建模过于平滑；（ii）联合共享的时间建模采用共享权重来建模每个关节，忽略了不同关节的不同动作模式。我们提出了一种解耦的时空框架（DeST）来解决上述问题。首先，我们解耦级联时空交互，避免堆叠多个时空块，并实现足够的时空交互。具体而言，DeST 执行一次统一的空间建模，并将空间特征分成不同的子特征群组，然后与不同层的时间特征自适应交互。由于不同的子特征包含不同的空间语义，模型可以在每一层学习到最佳的交互模式。同时，受到不同关节以不同速度移动的事实的启发，我们提出了关节解耦的时间建模，它使用独立的可训练权重来捕捉每个关节的独特时间特征。在不同场景的四个大规模基准测试中，DeST 在计算复杂度更低的情况下明显优于当前最先进的方法。

Dec, 2023

本研究提出了一种基于 RNNs 和 LSTM 的空间和时间关注模型，用于从骨架数据中识别人类动作，实验结果表明该模型在 SBU 和 NTU 数据集上均取得了很好的效果。

Nov, 2016

本文提出了一种新的空时变换器网络（ST-TR），该网络利用 Transformer 自我注意机制对 3D 骨架中的关节之间的依赖关系进行建模。空间自我注意模块（SSA）用于理解不同身体部位之间的帧内相互作用，而时间自我注意模块（TSA）用于建模帧间的相关性。两个模块在两个流网络中被结合使用，对 NTU-RGB + D 60 和 NTU-RGB + D 120 上的相同输入数据优于同类基准模型。

Dec, 2020

我们提出了一种用于基于骨架的动作识别的框架（STD-CL），通过解耦空间和时间特征并应用注意力特征到对比学习，改进了全局特征的语义，提高了准确性，在 NTU60、NTU120 和 NW-UCLA 基准数据集上实现了改进。

Dec, 2023

本文提出了一种基于 Spatial-Temporal Transformer 网络的骨骼姿态行为识别方法，使用自注意力机制成功提取了骨骼运动及其相关性的信息，与其他同类算法相比在多个大规模数据集上表现出更好的精度。

Aug, 2020

通过综合利用视频序列的时间依赖性，我们开发了一种高效且有效的基于视频的人体姿态回归方法，绕过热图等中间表示，直接将输入映射到输出关节坐标。我们的方法利用了相邻关节的空间相关性和每个关节自身的时间相关性，通过提出的关节感知特征令牌机制来灵活地利用这些关联，从而显著提高了性能。

Mar, 2024

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

本研究提出了一种 Attention Enhanced Graph Convolutional LSTM 网络 (AGC-LSTM) 的方法，它不仅可以在时间与空间领域之间探索联合关系，还可以通过注意力机制提高每个 AGC-LSTM 层中关键节点的特征差异性， 同时在空间和时间特征上提取关键特征，该方法在两个数据集上的表现均优于现有的最先进方法。

Feb, 2019

本文提出了一种名为 Hierarchical Graph Convolutional skeleton Transformer (HGCT) 的新型架构，通过引入 Disentangled Spatiotemporal Transformer 块，利用全局时空注意力和本地信息增强相互协同，以解决基于骨架的动作识别中的邻域限制和空间时间特征表示相互干扰等问题，同时具有计算效率高、解释性好等优点。

Sep, 2021

提出一种动态基于图的空间 - 时间注意力方法 (DG-STA)，用于手势识别，其关键思想是从手骨架中首先构造一个全连接图，然后通过在空间和时间领域中进行自我注意机制自动学习节点特征和边，进一步提出利用关节位置的空间 - 时间线索以保证在挑战性条件下的鲁棒性。此外，还应用了新颖的空间 - 时间掩码，以显着降低 99% 的计算成本。在基准 (DHG-14 / 28 和 SHREC'17) 上进行了广泛实验，并证明了我们的方法相对于最先进的方法的卓越性能。

Jul, 2019