本研究提出了一种基于RGB流和表示流的端到端双流网络，用于人类动作识别。该模型通过表示流算法降低计算成本，并结合类激活图和ConvLSTM提高识别准确率，显著缩短预测时间，具有实用价值。

本研究提出了一种新颖的量子时空相对变换网络（ST-RTR）模型，旨在提高骨骼基础人类动作识别的准确性，并在多个基准测试中显著提升性能。

本研究提出了一种名为μDAR的新型联合优化架构，旨在解决可穿戴人类动作识别中的领域差异问题。该方法通过增强样本一致性和条件分布对齐，显著提升了模型的分类泛化能力，在多个基准数据集上实现了4-12%的宏观F1分数提升。

UCFFormer是一种新的多模态融合架构，能够整合不同分布的数据以增强人类动作识别的性能。它使用统一Transformer捕捉嵌入特征在时间和模态领域之间的相互依赖关系，并引入分解的时间-模态注意力来高效执行自注意力。在UTD-MHAD和NTU RGB+D两个数据集上的评估表明，UCFFormer超越了竞争方法，实现了最先进的性能。

UCFFormer是一种新的多模态融合架构，能够增强人类动作识别的性能。它使用统一Transformer来捕捉嵌入特征在时间和模态领域之间的相互依赖关系，并引入了分解的时间-模态注意力来高效执行自注意力。在两个流行数据集上进行的性能评估表明，UCFFormer实现了最先进的性能。

UCFFormer是一种多模态融合架构，能够整合具有不同分布的数据以增强人类动作识别的性能。UCFFormer使用统一Transformer来捕捉嵌入特征在时间和模态领域之间的相互依赖关系，并引入了分解的时间-模态注意力来高效执行自注意力，在各种模态之间减少特征分布上的差异，从而生成在语义上对齐的特征进行信息融合。在两个流行数据集上进行的性能评估表明，UCFFormer实现了最先进的性能。