研究提出了一种基于图卷积网络的新颖的空时可分图卷积网络 (STS-GCN)，它可以在一个单一的图框架内，完全捕捉动态演化和空间关节交互，并使用内部学习的空间和时间的关联矩阵，优于当前技术，在长期预测方面取得了超过 32% 的平均性能提升，在三种大型数据集上进行了实验验证，并且只需要 1.7％的参数。

Oct, 2021

人体动作预测是自动驾驶和安全应用中仍然存在的重要问题，本文提出了基于上下文的可解释时空图卷积网络 (CIST-GCN) 作为一种有效的基于 GCNs 的三维人体姿势预测模型，通过特定层来增强模型的可解释性和提供有用的运动分布和身体行为信息，通过从姿势序列中提取有意义的信息、汇总位移和加速度到输入模型，并最终预测输出位移。在 Human 3.6M、AMASS、3DPW 和 ExPI 数据集上的广泛实验表明，CIST-GCN 在人体动作预测和鲁棒性方面优于以前的方法。鉴于提高运动预测的可解释性的想法具有一定的优势，我们在这里展示了相关实验证明了该想法，并进行了初步的评估。

Feb, 2024

本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法，该方法结合自然结构和序列注意力，同时捕获空间和时间信息，并在人体运动预测的基准数据集上表现出比现有方法更好的效果。

Apr, 2023

本文提出了一种新的框架来处理机器人导航中预测人类动态的问题，该框架将人类运动（或轨迹）和骨骼姿态预测这两个任务统一起来，并考虑到了场景和社交上下文等多种因素，最终在两个社交数据集上表现优异。

Jul, 2020

本文提出了一种新的神经网络结构 Semantic Graph Convolutional Networks（SemGCN），它能够学习在回归任务中捕捉图形结构数据中的语义信息，特别是局部和全局节点之间的关系，并将其应用于 3D 人体姿势回归，结果表明 SemGCN 仅使用 90％的参数就优于现有技术水平。

Apr, 2019

介绍了一种基于多级设计的人体运动预测方法，结合了空间和时间两个因素，通过两个网络，以预测一个好的猜测值为基础，有效提高了预测的精度。该方法在多项实验数据中胜出并实现了超过前人方法 6-16% 的提升。

Mar, 2022

本文提出一种新的多尺度残差图卷积网络（MSR-GCN），以端到端的方式进行人体姿态预测，该方法在细到粗的尺度上提取特征，然后在粗到细的尺度上进行特征的组合和解码，通过在所有预测姿势上施加中间监督来强制网络学习更具代表性的特征，实验证明该方法优于现有的最优方法。

Aug, 2021

本文介绍了一种基于迭代图滤波的框架，用于 3D 人体姿势估计，并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

Jul, 2023

本研究提出了一种新的骨骼 GNN 学习解决方案，包括基于跳舞的分层通道压缩融合层和鲁棒且有效的图构建过程，该方法在人体姿态估计和基于骨骼的动作识别方面取得了超越同行的性能.

Aug, 2021

通过使用全局本地自适应图卷积网络 (GLA-GCN) 并利用地面实况数据，作者针对 3D 人体姿势估计中的姿势抬升问题提出了一种简单而有效的模型设计，实验证明该设计在三个基准数据集上表现出了明显的优于现有方法的效果。

Jul, 2023