本研究提出了一种新颖的BP-SGCN框架，通过引入基于运动特征的行为伪标签，显著提高了异构交通参与者的轨迹预测精度，实验结果优于现有方法。

本研究使用深度学习图像处理技术开发了一个自动跛行检测系统，能提取与蹒跚步态相关的多种运动特征。研究发现背部姿势测量、头部上下摆动和跟踪距离是最重要的三个特征。使用多种运动特征可以提高分类准确性。

本研究利用深度学习图像处理技术开发了自动跛行检测系统，通过提取牛行走视频中的关键点动作和计算运动特征，提高了跛行分类准确性。合并观察者评分可以提高可靠性和一致性，多种运动特征的分类准确性达到80.1%。

本文提出了一种基于关节的动作识别模型，使用共享的运动编码器从每个关节提取运动特征，通过联合推理进行识别。该模型在多个数据集上相对于当前最先进的方法有大幅度提升，并与RGB和基于光流的方法进行了融合处理以提高性能。