CHASE：基于骨架的多实体动作识别的凸包自适应位移学习

提出了一种新颖的无监督骨架动作识别系统，基于编码器-解码器递归神经网络，无需标签或深度输入。

该系统在各维度的身体关键点操作，表现出更好的交叉视图性能，与有监督方法相似。

探讨了自监督学习在骨骼动作识别中的应用，提出多任务自监督学习方法，包括运动预测、拼图识别和对比学习。

SESAR方法结合无监督学习和少量有监督学习，通过两个组件训练骨骼动作序列，性能超越其他方法。

提出基于深度度量学习的单次动作识别方法，在NTU RGB+D 120数据集中实现了显著的性能提升。

介绍了基于骨架的动作识别的联邦学习模式，保护隐私的同时提升性能。

提出Interactive Spatiotemporal Token Attention Network (ISTA-Net)模型，通过多头自注意力和三维卷积技术建模空间、时间和交互关系。

基于零样本骨骼动作识别的新方法，通过最大化视觉和语义空间之间的相互信息进行分布对齐。

InfoGCN++是InfoGCN的扩展，专门用于在线基于骨骼的动作识别，表现出卓越的性能。

设计信息补偿学习框架，通过多粒度语义交互机制提高零样本动作识别准确性。

首次对基于骨架的自监督动作表征学习进行全面调查，提出新型骨架自监督学习方法，显著提高泛化性能。