本文共 1213 字，大约阅读时间需要 4 分钟。

1、《On Geometric Features for Skeleton-Based Action Recognition using Multilayer LSTM Networks》2017

       所有数据之间的关系，关节点之间进行连线，前面的一些工作虽然也这么做了，但是没有做到最好的连接；分层的LSTM模型，具体是三层，网络模型并没有做了很大的改进，只是简单的增加了LSTM的层数。但是只采用了一种形式的数据。

       2、《Interpretable 3D Human Action Analysis with Temporal Convolutional Networks》2017

       动作识别上首次用时间卷积神经网络，输入数据既是原始的Skeleton时间序列数据，模型是9层的时间卷积，引入了残差块。原始数据没有做任何处理，动作特征不明显。

       3、《Ensemble Deep Learning for Skeleton-based Action Recognition using Temporal Sliding LSTM networks》2017

       用到了集成学习，每间隔一定的时间，计算一次骨架的运动。根据时间间隔计算了6种不同类型的输入数据。设计了时间滑动LSTM。因为有多种不同的输入，各种输入的学习效果可能各不相同，所以想到了采用集成学习，来整合各分支网络的优点。

       4、《Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition》2018

       比较早的使用了GCN（离散的点的卷积），这种卷积正好适合Skeleton上的离散的点，单一的输入数据。论文对比了RNN系和TCN系。

       5、《NTURGB+D : A large scale dataset for 3d human activity analysis》2016

       身体各部分之间的连通性；部分感知的LSTM。首次用该数据集。

       6、《Hierarchical recurrent neural network for skeleton based action recognition》2015

       连通性

       7、《Co-occurrence feature learning for skeleton based action recognition using regularized deep lstm networks》

       8、《Skeleton-based action recognition with convolutional neural networks》2017

       时间卷积

       9、《A new representation of skeleton sequences for 3d action recognition》2017

       时间卷积

转载地址：http://prbgf.baihongyu.com/