本文利用3D CNN提取基于骨架的动作识别的时空信息与深度特征，探讨其与RNN的互补性和噪声下的鲁棒性，并在SmartHome数据集和NTU RGB-D数据集上获得优异的表现。

May, 2017

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

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

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

本文介绍了基于多人骨骼的人类动作识别的新方法，利用多尺度时空图卷积网络提取骨骼特征，用多层感知器嵌入参考人和其他人之间的距离值，并通过特征融合和分类得出在HiEve数据集上超越其他技术的最佳性能。

Nov, 2020

研究了基于骨架动作识别中如何提取骨架联结的区分特征所面临的问题，提出了一种基于图卷积网络的高效的GCN基线。通过提出的复合扩展策略，在NTU RGB+D 60和120数据集上，其EfficientGCN-B4基线性能超越其他SOTA模型，且模型规模更小、训练速度更快。

Jun, 2021

该研究介绍了一种基于骨架数据的动作识别方法UNIK，通过优化依赖矩阵并使用多头注意机制，实现了对于跨数据集的泛化能力，实验表明在多个数据集上，该方法均表现出超越于现有技术的表现。

Jul, 2021

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

这篇论文介绍了一种基于2D骨架的动作分割方法，可用于细粒度的人类活动识别，并且通过使用2D骨架热图和RGB视频作为输入，在动作分割数据集上表现出可比较/优越的性能和更好的关键点缺失容忍度。

Sep, 2023