通过优化参数在图卷积网络和变压器架构中整合特征以识别人类活动

提出了一种基于RGB-D视频的自动活动识别深度模型，使用3D卷积和最大池化进行活动分类。

该模型能够动态调整以适应人类活动的时间变化，并在挑战性场景下验证了其优越性。

综述了深度学习在传感器活动识别中的最新进展，提出了未来研究的重大挑战。

提出了一种基于深度图卷积神经网络的人体活动识别方法，分类准确性提高约25%至68%。

提出了一种空间-时间级联框架，显著提高了执行时间效率。

探讨了基于骨架的动作识别的优势，卷积神经网络在准确度上可与图神经网络相媲美。

提出了一种基于知识蒸馏的多模态融合方法，解决了跨多模态信息融合的问题。

提出了一种新型混合架构，结合Transformer和CNN进行活动识别，取得了新的SOTA结果。

使用图卷积网络进行神经架构搜索，增强了网络性能和泛化能力。

研究表明特征融合对活动识别系统的准确性和稳健性具有重要意义。