本研究提出了一种新框架，通过引入对象节点来解决现有骨架动作识别方法忽视人类交互对象信息的问题，利用空间时间可变图卷积网络(ST-VGCN)对物体节点进行建模，从而提升识别性能。

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。

本文介绍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，能够在无标签和无深度输入的情况下进行动作识别。研究探讨了自监督学习在骨骼动作识别中的应用，提出了多任务学习方法和SESAR方法，结合无监督与少量监督学习，提升了识别性能。此外，介绍了基于深度度量学习的单次动作识别方法和联邦学习模式，强调隐私保护与性能提升。

本研究提出了多种基于骨架的自监督学习框架，如Hi-TRS、HiCo和SSL，旨在提升骨架动作识别的性能。这些方法利用层次化对比、局部关系学习和图卷积网络等技术，在多个数据集上取得了最先进的结果，展现了良好的泛化能力和鲁棒性。

本文提出了针对基于骨架的动作识别的对抗攻击方法，包括CIASA、SMART和BASAR，展示了这些方法在黑盒和白盒场景中的有效性。研究表明，骨骼动作识别模型易受攻击，提出的防御机制能提高鲁棒性。此外，探索了物理骨骼后门攻击（PSBA），显示其在多种环境下的有效性，为未来研究提供了新视角。

本研究提出了Simba框架，结合Mamba架构和多种图卷积网络，提升了骨架动作识别和3D点云分析的性能。研究通过状态空间模型展示了在多个任务中超越现有方法的效果，具有高效性和可扩展性。

本文介绍了多种基于图卷积网络（GCN）的骨架动作识别模型，强调其在动作识别和泛化能力上的优势。研究提出了多流图卷积网络和自注意机制等新方法，显著提高了模型的鲁棒性和准确性，尤其在NTU-RGBD和Kinetics数据集上表现优异。

骨架动作识别在数据不平衡方面存在挑战。本文提出了一种新颖的平衡表示学习方法，通过空间-时间动作探索策略和分离的动作感知学习计划，解决长尾动作识别问题。实验结果表明，该方法在多个数据集上显著提升了识别性能和泛化能力。

本文介绍了多种基于Transformer的骨架动作识别方法，如STTFormer、SkateFormer和ST-TR。这些方法利用自注意力机制建模关节间的依赖关系，显著提升了在大型数据集上的识别精度，优于现有技术。

本文介绍了多种基于图卷积网络的骨架动作识别方法，如双流自适应图卷积网络和共生图神经网络。这些方法通过优化网络结构和特征提取，显著提高了在NTU-RGBD和Kinetics-Skeleton数据集上的识别性能，优于现有技术。

本研究介绍了Graph-Mamba，通过结合Mamba块和节点选择机制，提升了图网络的长程上下文建模能力，显著提高了预测性能。实验结果表明，Graph-Mamba在长程图预测任务中优于现有方法，且计算成本较低。此外，研究探讨了Mamba在视频理解和骨架动作识别中的应用，提出了高效的GCN基线模型，展示了其在多个任务中的优越性能。

本文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，能够在无标签情况下进行动作识别。该系统在多个数据集上表现优越，并引入了本地-全局注意力机制和自监督域自适应方法，提升了模型的准确性和泛化能力。