本文证明了在对骨骼长度进行干扰的情况下，即使在大大降低的维度下，骨骼动作识别模型也容易受到对抗攻击，并且在此设置下，骨骼长度攻击的对抗训练与数据增强具有相似的特性，既提高了对抗强度，也提高了对原始数据的分类准确率。

Sep, 2021

文章研究了先进的行动识别器对抗性攻击的鲁棒性，并提出了一种基于 3D 骨架运动的攻击方法，该方法包含一种创新的感知丢失，保证攻击的不可察觉性，实证研究表明我们的方法对于白盒和黑盒情况均有效。

Mar, 2021

本研究采用深度学习技术，针对基于骨骼的动作识别的敌对性弱点进行分析，并提出了一种基于约束优化和 ADMM 的优化算法及防御机制。经过广泛评估，该方法在不同情境下具有良好的攻击及防御效果。

May, 2020

提出了一种名为 SMART 的方法，通过创新的感知损失攻击依赖于 3D 骨架运动的动作识别器，该方法在白盒和黑盒场景中都很有效，且具有广泛的推广性和多样性，并且证明 3D 骨架运动的对抗攻击与传统的对抗攻击问题存在明显的差异。

Nov, 2019

本文第一次提出了一种针对基于骨架的动作识别进行的对抗攻击方法 CIASA，该方法使用图卷积网络对骨架图像进行建模，并通过满足多重物理约束实现对关键点的扰动，成功实现了 “语义不可知” 且高可转移的黑盒攻击，对时空深度学习任务具有潜在的威胁。

Sep, 2019

该研究证明了基于骨骼的人体活动识别方法容易受到对抗性攻击，并通过学习动作流形和定义对抗损失函数得到了一种新的梯度，称为骨骼 - 运动信息梯度。该研究提出了一种无需访问受攻击模型、训练数据或标签的攻击方法，对现有分类器构成真正的威胁，并提升了对抗样本在不同设置下的转移性和感知性。

Aug, 2023

本文提出了一个以深度度量学习为基础的单次动作识别方法，使用图像骨骼表示法，在嵌入空间中训练模型，在 NTU RGB+D 120 数据集中，实现了单次动作识别协议最新的 3.3％提升，在附加数据增强后提高了超过 7.7％。

Dec, 2020

本文介绍了针对骨架人体动作识别技术面临的对抗攻击问题的解决方案 SkeletonVis，通过可视化来帮助人们了解攻击如何误导姿势检测模型做出错误预测。

Jan, 2021

本文提出一种新的适用于人体运动序列的可调节的针对性对抗攻击方法，通过引入两个物理约束条件，提高对抗样本的无感知性，定量和定性结果表明，串联对抗样本可以很好地欺骗目标预测模型，提高人体运动预测器的对抗鲁棒性，但相较于帧至帧比较，该攻击样本比较容易被检测到。

Jun, 2023

提出了一种使用动态骨架特征建模监控视频中人类运动规律的新方法，该方法通过将骨架运动分解为全局身体运动和局部身体姿势两个子组件，并使用新型消息传递编码 - 解码循环网络来建模相互作用的耦合特征，以精确识别来自监控视频序列的人类相关的异常事件并提供可解释性。与传统的基于外观的模型相比，该方法实现了卓越的异常检测性能。

Mar, 2019