AtGCN：用于共济失调步态检测的图卷积网络

提出了反馈图卷积网络（FGCN），通过多阶段时间采样和反馈图卷积模块实现全局空间-时间特征建模，实验结果在三个数据集上表现优异。

GaitGraph利用人体姿势估计技术从RGB图像中直接估计骨架姿势，结合图卷积网络进行步态识别，在CASIA-B数据集上取得最新性能。

基于深度集的步态识别方法通过全局-本地融合深度网络集成步态帧，表现出较高的鲁棒性和灵活性。

提出了HEATGait系统，结合预处理和数据增强技术，利用ResGCN提取特征，在CASIA-B数据集上实现最佳效果。

MTSGait模型采用二维卷积进行时间建模，通过新采样策略学习鲁棒时间特征，在多个公共数据集上表现优异。

提出适应条件的图卷积网络（CAG），克服固定权重和视角限制，实验证明在CASIA-B和OU-MVLP数据集上获得更好识别性能。

引入新的时空转换网络，利用单视角摄像机拍摄的RGB视频估计关键步态参数，提供更具可用性和经济效益的临床步态分析选择。

介绍步态异常视频数据集（GAVD），包含正常、异常和病态步态序列，使用预训练模型进行视频异常检测，提供相关临床注释。

提出异步多流图卷积网络（AMS-GCN）作为新基线模型，有效识别不同类型的病理步态，促进理论成果的实际应用。