本研究提出一种基于层次 Transformer 的骨架序列编码器的自监督层次预训练方案 (Hi-TRS) 来捕捉视频级别、片段级别和帧级别的空间、短时和长时时间依赖关系，并在行动识别、行动检测和运动预测等骨架下游任务中实现了超越当前最好的性能水平。

Jul, 2022

本文提出 data2vec 2.0 算法，通过利用丰富的上下文目标表示，实现了在几个模态之间进行泛化的快速自监督学习，进而在图像分类、语音识别等领域取得了很好的实验效果。

Dec, 2022

我们提出了一种新颖的无监督骨架动作识别系统，该系统基于编码器 - 解码器递归神经网络，可以无需提供任何标签或摄像头深度输入，并可在各维度的身体关键点（2D 或 3D）和附加提示描述移动的情况下操作，并将其与最新的无监督骨架方法进行比较。方法表现出更好的交叉视图性能，且与有监督骨架动作识别表现相似。

Nov, 2019

本论文提出了一种新的 transformer 模型，旨在实现对骨架运动序列的无监督学习。该模型结合了全局和局部注意机制，通过新的预训练策略，成功地学习了局部和全局的内容，并在测试中显示出了优异的性能。

Jul, 2022

本论文提出了一种基于骨架的行为识别的自监督学习方法，通过噪声对比估计学习骨架表示的不变性以及各种增强策略。该方法在 PKU 和 NTU 数据集上进行了验证，并在多个下游任务中实现了最新水平。

Aug, 2021

本文探讨了基于自监督学习的骨骼动作识别中的表征学习问题，提出了一种多任务自监督学习的方法，包括运动预测、拼图识别和对比学习等方法。实验表明该方法在不同配置下的动作分类器上表现出优异的性能。

Oct, 2020

本文提出了一种新的方法，使用骨架序列（即人类骨架关节的 3D 轨迹）进行三维动作识别，并使用深度神经网络进行空间时间特征学习和长期时间信息学习。实验结果表明该方法具有很好的识别效果。

Mar, 2017

运用无监督异常行为识别方法，基于骨架提取特征，提出了具有领域无关性、鲁棒性和零样本学习框架，通过用户提示嵌入与骨架特征的相似度计分，间接补充正常行为，加强了基于骨架的方法的可靠性，能够有效地识别异常事件。

Mar, 2023

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

本研究提出了一种利用部分骨骼序列的局部关系的 Partial Spatio-Temporal Learning（PSTL）框架，并采用独特的时空屏蔽策略构建负样本无人机结构。该方法在 NTU-60、NTU-120 和 PKU-MMD 等基准测试中均取得了 SOTA 表现，并在实际评估中验证了方法的鲁棒性。

Feb, 2023