本论文提出了一种基于骨骼的人体动作识别方法，利用循环神经网络建模体关节的3D位置配置之间的时间依赖关系，并采用树状结构的遍历框架处理骨架数据中的噪声。实验结果表明该方法在7个基准数据集上效果良好。

本文介绍了一种新颖的多模态、多任务和对比基于框架方法 Multi$^3$Net，用于解决人体动作识别中数据有限的问题。该方法通过使用视频数据和对比学习，旨在增强可穿戴人体动作识别的性能，特别是在识别细微活动方面。实验证明，使用该方法从视频生成的合成 IMU 数据训练的模型在识别细粒度活动方面超越了现有方法。

该文介绍了一个适用于多种应用场景的人体动作识别框架，包括多形式人体检测和对应动作分类两个模块。通过构建开源数据集来训练多形式人体检测模型，从而识别人的整体、上半身或部分身体，并采用动作分类模型来识别跌倒、睡觉等动作。实验结果表明，该框架对于各种应用场景都是有效的，是一种新的面向应用的人体动作识别 AI 范式。

本文介绍了TransNet，一种用于人体动作识别的端到端深度学习架构。TransNet将3D-CNN解构为2D和1D-CNN，并结合其他领域的预训练2D-CNN模型，以提高效率和准确性。大量实验表明，TransNet表现优异。