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

本文提出了一种称为Spatio-Temporal Graph Convolution (STGC) 的方法，用于动作识别中的骨架，该方法组合了本地卷积过滤器的成功和自回归移动平均的序列学习能力，通过递归地进行多尺度局部图卷积过滤器构建。实验表明 STGC 模型的有效性和优于现有技术的改进。

Feb, 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

提出了一种基于编码器-解码器结构的 A-link 推断模块来捕捉动作特定的潜在依赖关系，即动作链接，并将其与现有的骨骼图扩展以表示更高阶依赖关系，即结构链接，进而将两种类型的链接组合成广义骨骼图卷积网络（AS-GCN），用于动作识别，并在 NTU-RGB + D 和 Kinetics 两个骨骼数据集上进行验证，并通过与现有方法的比较实现了一致的显著改进。同时，AS-GCN 在未来姿态预测方面也表现出了良好的结果。

Apr, 2019

本文提出了一种多流注意力增强的自适应图卷积神经网络(MS-AAGCN)，用于基于骨架的动作识别。该模型可以端到端地学习图的拓扑结构，并用空时通道注意模块提高模型注意到重要关节、帧和特征。多流框架同时建模关节和骨骼信息及其运动信息，结果在大规模数据集NTU-RGBD和Kinetics-Skeleton上都超过了现有技术水平。

Dec, 2019

本文提出了一种名为G3D的统一的空时图卷积算子方法和一种简单的多尺度图卷积方法，用于在神经网络中捕捉图像、模型人体动态的长程、多级别、空时依赖模型关系，以此提高特征抽取器效果，实验结果表明，该算法在三个大规模数据集上优于目前最先进的方法。

Mar, 2020

通过对图形卷积网络中的拆分、变换、合并策略进行重新设计，我们构建了一个简单而高度模块化的图形卷积网络体系结构，用于骨架序列处理中的动作识别，并证明了其优于现有基于深度学习的方法。

Nov, 2020

该论文主要介绍了一种新型的骨骼动作识别模型叫做 TGN，结合了多尺度图策略来提取骨骼序列的时空特征，得到更好的实验结果。

Dec, 2020

本篇文章介绍了一种称之为Temporal Enhanced Graph Convolutional Network (TE-GCN) 的新模型，用于构建骨骼动作识别应用中的时间关系图，以提取骨架序列的时间动态。文章对两个广泛使用的大型数据集进行了广泛的实验，在动作识别中取得了最先进的性能，同时通过多头机制进一步探索时间关系图。

Dec, 2020

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