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

本研究提出了一种自监督的多尺度骨架图编码框架，通过学习不同尺度的未标记骨架图来建模人体构造、骨架动态和部件关系以实现人体再识别，实验证明其性能优于现有骨架方法。

Jul, 2021

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

本文提出了一种图形对应传送（GCT）方法，用于人物重新识别，该模型将人物重新识别的问题制定为离线图形匹配和在线对应传送的问题，并通过基于补丁的图形匹配从具有各种姿势对配置的正面训练对中学习一组对应关系模板。实验结果表明，与现有算法相比，GCT 模型具有更好的性能。

Apr, 2018

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

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

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

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