本文介绍了多种基于图卷积网络的步态识别方法，如反馈图卷积网络（FGCN）、GaitGraph和CAG，强调其在骨架动作识别中的优势和实验效果。同时，提出了新的时空转换网络和异步多流图卷积网络（AMS-GCN），以提高步态分析的准确性和实用性。

本研究提出了一种名为SpheriGait的方法，通过球面投影增强基于LiDAR的步态识别的空间表征，有效解决了3D动态特征提取的问题。实验结果表明，该方法在SUSTech1K数据集上表现优异，验证了球面投影在提升LiDAR步态识别性能中的有效性。

本文介绍了多种步态识别方法，包括深度集、图卷积网络、元学习和注意力机制等，展示了在不同数据集上的优异性能。研究强调了运动模式与外观信息的相互作用，提出了新型骨骼图表示方法，并指出需要多样化的数据集以推动该领域发展。

本文介绍了基于几何自监督学习的自动WiFi感知模型AutoFi，该模型能够利用低质量CSI样本进行学习，实现跨任务转移。同时，研究提出了GaitFi方法，结合WiFi信号和视频进行人体步态识别，准确率达到94.2%。此外，探讨了数据增强技术对模型推广能力的影响，提升了WiFi活动识别的性能。

本研究提出了多种步态识别方法，包括基于卷积和循环神经网络的双向注意力模型及上下文敏感特征学习网络，展现出优越的识别性能和鲁棒性。同时，构建了新的步态识别基准数据集GREW和Gait3D-Parsing，推动了步态识别技术的发展。

本文介绍了一种新型步态识别方法GaitFi，利用WiFi信号和视频实现人体识别，准确率达到94.2%。同时，研究了可重构智能表面（RIS）的应用，提出基于深度学习的无线配置方法，显著提高了信号传输速率和覆盖效果，为未来无线通信提供了新思路。

这项研究挑战了基于骨架的步态识别的普遍假设，并发现去除身高信息会导致性能下降。研究还提出了一个只处理姿态的空间转换模型，取得了很好的准确性。研究结果强调了对步态识别中运动和外观相互作用的理解的必要性，并呼吁重新评估该领域的方法论假设。实验表明，需要更多样化和大规模的数据集来推动该领域的发展。