提出了一种无监督学习方法 SPC-MGR ，通过多级图关系学习和骨架原型对比学习来学习骨骼的有效表征，从而进行人员再识别。通过实验，在更通用的情境下，SPC-MGR 取得了高竞争力的人员再识别表现。

Aug, 2022

本文提出了一种基于 Transformer 的 Skeleton Graph 原型对比学习（TranSG）方法来进行人员重新识别，该方法能够充分捕捉骨架间的关系和有价值的空间 - 时间语义，通过实证评估表明，TranSG 明显优于现有的最先进方法。

Mar, 2023

该研究提出了一种新颖的动态多尺度图神经网络（DMGNN），以预测基于 3D 骨架的人体动作，整个模型采用编码器 - 解码器框架，并使用多尺度图计算单元（MGCU）提取不同尺度的特征并融合。实验证明，在 Human 3.6M 和 CMU MOCAP 数据集上，DMGNN 在短期和长期预测方面都优于现有的方法。

Mar, 2020

本文提出了一种自监督步态编码方法，通过生成反向骨架序列实现了足够丰富的高层语义，并且结合局部感知机制和对比学习策略，设计出有效的步态编码，在人物重新识别领域中超过了其它方法达 15% 至 40% 的 Rank-1 准确度。

Sep, 2020

本研究提出一种新的基于骨架数据进行个人再识别的方法，利用无标记的骨架数据进行自我监督学习，结合局部关联注意机制和 Attention-based Gait Encodings 方法提取出更具区分性的步态特征，可有效提升现有基于骨架数据的方法 10-20％的排名 1 准确度，并且在与有 RGB 或深度信息的多模式方法相比时，表现相当甚至更优秀。

Aug, 2020

本文提出了一种高效的骨架序列学习框架，名为 Skeleton Sequence Learning（SSL）。通过将骨架关节序列嵌入图卷积网络（GCN）并基于先验人体拓扑知识重构遮蔽骨架关节和边，我们构建了一个不对称的基于图的编码器 - 解码器预训练架构，命名为 SkeletonMAE，然后将预训练的 SkeletonMAE 编码器与时空表示学习（STRL）模块集成到 SSL 框架中。广泛的实验结果表明，我们的 SSL 在不同数据集上具有良好的泛化能力，在 FineGym、Diving48、NTU 60 和 NTU 120 数据集上优于最先进的自监督骨骼动作识别方法，同时与某些完全监督方法具有可比较的性能。

Jul, 2023

本研究提出了一种基于自适应图散射的骨架分块散射网络模型，用于模拟身体关节之间的关系，同时对身体的各个部位进行建模和学习，生成更丰富的图谱频带和更细的空间特征，并在 Human3.6M、CMU Mocap 和 3DPW 数据集上实验表明，该模型较现有方法的 3D 关节均值位置误差 (MPJPE) 提高了可观的 13.8%、9.3% 和 2.7%。

Jul, 2022

该论文提出了一种共生图神经网络模型来解决三维骨架动作识别和运动预测两个问题，并采用双骨图和多尺度图卷积网络提取空间和时间特征以及捕捉身体结构之间的关系，实验结果表明，该模型的表现优于现有方法。

Oct, 2019

本研究提出了一种基于无标签三维骨架的人物再识别的学习框架，包括原型对比学习方案和序列内部模式一致性对比学习方案，用于学习判别骨架表示。实验表明，所提出的方法胜过大多数现有的骨架方法并具有良好的可扩展性和效率。

Apr, 2022

该论文提出了一种基于层次化骨架元原型对比学习（Hi-MPC）的通用无监督人体骨架深度学习方法，通过构建层次化骨架表示并利用硬骨架挖掘机制，该方法能够在人体重新识别方面提取更有效的骨架特征。

Jul, 2023