{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“讯息”：{“索引”：{“日期-部件”：[[2024,7,11]]，“日期-时间”：“2024-07-11T09:49:26Z”，“时间戳”：1720691366428}，“参考-计数”：63，“出版商”：“工程技术学院（IET）”，“发行”：“1”，“许可证”：[{“开始”：{-“日期-零件”：[2021,3,15]]，时间”：“2021-03-15T00:00:00Z”，“timestamp”：1615766400000}，“content-version”：“vor”，“delay-in-days”：14，“URL”：“http://\/creativecommons.org\/licenses\/by\/4.0\/”}，{“start”：{“date-parts”：[[2021,3,1]]，“date-time”：“2022-03-01T00:00Z”，：0，“URL”：“http://\/doi.wiley.com/10.1002\/tdm_license_1.1”}]，“content-domain”：{“domain”:[]，“crossmark-restriction”：false}，“short-container-title”：[“CAAI Trans on Intel Tech”]，“published-print”：{“date-parts”：[[2021,3]]}，”DOI“：”10.1049\/cit2.12014“，”type“：”journal-article“，”created“：{”date-part“：[2021,3,16]]，“date-time”：“2021-03-16T06:15:44Z”，“timestamp”：1615875344000}，“页面”：“80-92”，“源”：“交叉引用”，“is-referenced-by-count”：30，“title”：[“深度学习\u2010-based action recognition with 3D skeletole:A survey”]，“前缀”：“10.1049”，“卷”：“6”，“作者”：[{“ORCID”：“http://\/ORCID.org\/00000-0002-4860-532X”，“authenticated-ORCID”：false，“给定”：“玉玲”，“家族”：“兴”，“序列”：“第一”，“从属关系”：[}“name”：“华南师范大学中国广州分校”}]}，{“ORCID”：“http://\/ORCID.org\/00000-0002-5959-390X”，“authenticated-ORCID”：false，“given”：”Jia“，”family“：”Zhu“，”sequence“：”additional“，”affiliation“：[{”name“：”Southuan Normal University Guangzhou China“}]}]，“member”：“265”，“published-on-line”：{“date-parts”：[2021,3,15]]}、“reference”：[{“key”：“e_1_2_6_2_1”，“unstructured”：“Wang J.et \u00a0al.：挖掘actionlet集合，用于使用深度摄影机进行动作识别。In：2012 IEEE计算机视觉和模式识别会议IEEE 1290\u20131297（2012）”}，{“key”：“e_ 1_2_ 6_3_1”、“doi-asserted-by”：“crossref”，”unstructure“：”Zanfir M.Leordeanu M。Sminchisescu C.：移动姿势：用于低延迟动作识别和检测的高效3D运动学描述符。在：2013 IEEE国际计算机视觉会议2752\u20132759（2013）“，”DOI“：”10.1109\/ICCV.2013.342“｝，｛”key“：”e_1_2_6_4_1“，”DOI断言“：”crossref“，”非结构化“：”Vemulapalli R.Arrate F。Chellappa R.：通过将三维骨骼表示为谎言组中的点来识别人类行为。摘自：IEEE计算机视觉和模式识别会议论文集588\u2013595（2014）“，”DOI“：”10.1109\/CVPR.2014.82“}，{”key“：”e_1_2_6_5_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Shahroudy A.等人：NTU RGB+D：用于3D人类活动分析的大规模数据集。在：IEEE计算机视觉和模式识别会议（2016）”，“DOI”：“10.1109\/CVPR.2016.115”}，｛“key”：“e_1_2_6_6_1”，“DOI断言”：“crossref”，“非结构化”：“Song S.等人：基于骨架数据的人类行为识别的end\u2010-to-u2010end时空注意模型。在：32 AAAI人工智能会议SanFrancisco（2017）“，”DOI“：”10.1609\/AAAI.v31i1.11212“}，{“key”：“e_1_2_6_7_1”，“DOI-asserted-by”：“crossref”，”unstructured“：”Veeriah V.Zhuang N。齐国\u2010J.：用于动作识别的差分递归神经网络。摘自：IEEE计算机视觉国际会议论文集4041\u20134049（2015）“，”DOI“：”10.1109\/ICCV.2015.460“}，{”key“：”e_1_2_6_8_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Zhang P.等人：查看自适应递归神经网络，用于从骨骼数据进行高性能的人类行为识别。收录于：IEEE国际计算机视觉会议论文集2117\u20132126（2017）“，”DOI“：”10.1109\/ICCV.2017.233“}，”key“：”e_1_2_6_9_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/TCSVT.2018.2864148”}，“key”：“e_1_c_6_10_1”，“DOI-assert-by”：“crossref”，”unstructured“：”Du Y.Fu Y。王磊：基于骨架的卷积神经网络动作识别。2015年第三届IAPR亚洲模式识别会议（ACPR）。第579页\u2013583。IEEE Kuala Lumpur（2015）“，“DOI”：“10.1109\/ACPR.2015.7486569”}，{“key”：“e_1_2_6_11_1”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li M.et \u00a0al.：基于骨架的动作识别的动作\u2010结构图卷积网络。In:2019 IEEE\/CVF计算机视觉和模式识别会议（CVPR）长滩2019年6月pp.3590\u20133598（2019）“，“DOI”：“10.1109\/CVPR.2019.00371”}，{“key”：“e_1_2_6_12_1”，“DOI-asserted-by”：“crossref”，“unstructured”：“Shi L.等人：用于基于骨架的动作识别的两个u2010流自适应图卷积网络。摘自：2019年6月IEEE长滩计算机视觉和模式识别会议论文集，pp.12026\u201312035（2019）“，“DOI”：“10.1109\/CVPR.2019.01230”}，{“key”：“e_1_2_6_13_1”，“DOI-asserted-by”：“crossref”，”非结构化“：”Yan S.Xiong Y。Lin D.：用于基于骨架\u2010的动作识别的时空图卷积网络。In：Thirty\u2010second AAAI conference on artificial intelligence（2018）”，“DOI”：“10.1609\/AAAI.v32i1.12328”}，{“key”：“e_1_2_6_14_1”，“volume-title”：“Semi\u2010supervised classification with graph convolutional networks”，“author”：“Kipf T.N”，“year”：“2016”}、{“key”：“e_1_6_15_1”、“volume-title”“Spectral networks and local connected networks on graph”作者“：”Bruna J.“，”year“：”2013“}，{“key”：“e_1_2_6_16_1”，“unstructured”：“Niepert M.Ahmed M.Kutzkov K.：学习图的卷积神经网络。In：国际机器学习会议。2014\u20132023（2016）”}，}，”key“：”e_1_i_6_17_1“，“首页”：“3844”，“文章标题”：“具有快速局部谱滤波的图上的卷积神经网络”，“author”：“Defferrard M.”，“year”：“2016”，“journal-title”：“Advances in neural Information Processing Systems”}，{“key”：“e_1_2_6_18_1”，”first page“：“1024”，《article-title》：“Inductive representation learning on large grams”，“author”:“Hamilton W.”，“year”：”2017“journal-title“：“神经信息处理系统的进展”}，{“key”：“e_1_2_6_19_1”，“volume-title”：“Fastgcn：通过重要性抽样使用图卷积网络进行快速学习”，“author”：“Chen J.”，《year》：“2018”}年份：“2019”}，{“key”：“e_1_2_6_21_1”，“doi-asserted-by”：“crossref”，“unstructured”：“Monti F.et \u00a0al.：使用混合模型cnns对图和流形进行几何深度学习。In:IEEE Computer Vision and Pattern Recognition Proceedings on the IEEE Conference on Computer Visual and Patterm Recognitions檀香山2017年7月5115\u20135124（2017）”，“doi”：“10.1109\/CVPR.2017.576”}、{“key”：e_1_2_6_22_1“，”doi-asserted-by“：”publisher“，”doi“：”10.18653\/v1\/D18-1244“}，{“key”：“e_1_i_6_23_1”，“volume-title”：“很少使用图神经网络进行2010快照学习”，“author”：“Garcia V.”，”year“：”2017“}”，{”key“：”e_2_6/24_1“，“doi-assert-by”：“crossref”，《非结构化》：“Liang D.等人：三维动作识别的多任务集成学习三流卷积神经网络。摘自：IEEE计算机视觉和模式识别研讨会会议记录（2019年）“，”DOI“：”10.1109\/CVPRW.2019.00123“}，{“key”：“e_1_2_6_25_1”，“DOI-asserted-by”：“crossref”，”unstructured“：”Wang Z.等人：通过图卷积网络进行跨语言知识图对齐。摘自：《2018年自然语言处理实证方法会议论文集》349\u2013357（2018），“DOI”：“10.18653\/v1\/D18-1032”}，{“key”：“e_1_2_6_26_1”，“first page”：《6530》，“article-title”：“使用图卷积网络预测蛋白质界面”，“author”：“Fout A.”，“year”：“2017”，“journal-title:”神经信息处理系统进展“}，{“key”：“e_1_2_6_27_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109 \/TPAMI.2019.2916873“}“，{”key“：”e_1_i_6_28_1“，”doi-assert-by“：”crossref“，“unstructured”：“Graves A。穆罕默德·A.\u2010R。Hinton G.：使用深层递归神经网络进行语音识别。在：2013年IEEE声学语音和信号处理国际会议IEEE.6645\u20136649（2013）“，”DOI“：”10.1109\/ICSP.2013.6638947“｝，｛”key“：”e_1_2_6_29_1“，”nonstructured“：”Sutskever I.Vinyals O.Quoc V.L.：神经网络的序列到序列学习。在：神经信息处理系统进展。3104\u20133112（2014）“｝，｛”key“：”e_1_2_6_30_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Mikolov T.et\u00a0al.：递归神经网络语言模型的扩展。2011年IEEE声学语音和信号处理国际会议（ICASSP）2011年5月，布拉格，pp.5528\u20135531（2011）“，“DOI”：“10.1109\/ICASSP.2011.5947611”}，{“key”：“e_1_2_6_31_1”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li Y.等人：使用联合分类\u2010回归递归神经网络的在线人类动作检测。参加：欧洲计算机视觉会议。斯普林格阿姆斯特丹203\u2013220。（2016）“，”DOI“：”10.1007\/978-3-319-46478-7_13“}，{“key”：“e_1_2_6_32_1”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ma S.Sigal L.Sclaroff S.：lstms中用于活动检测和早期检测的学习活动进展。摘自：2016年6月在拉斯维加斯举行的IEEE计算机视觉和模式识别会议论文集第1942页\u20131950（2016）“，”DOI“：”10.1109\/CVPR.2016.214“}，{”key“：”e_1_2_6_33_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Ni B.Yang X.Gao S.：为细粒度动作检测逐步解析交互对象。摘自：2016年6月在拉斯维加斯举行的IEEE计算机视觉和模式识别会议论文集，pp.1020\u20131028（2016）”，“DOI”：“10.1109\/CVPR.2016.116“}，{“key”：“e_1_2_6_34_1”，“doi-asserted-by”：“crossref”，”unstructured“：“Wu Z.et \u00a0al.：视频分类混合深度学习框架中的时空线索建模。in:第23届ACM多媒体国际会议论文集461\u2013470（2015）”，“doi”：“10.1145\/2733373.2806222”}doi-asserted-by“：”crossref“，”unstructured“：”Li S.et\u00a0al.：独立递归神经网络（indrnn）：构建一个更长、更深的rnn。摘自：IEEE计算机视觉和模式识别会议论文集盐湖2018年6月5457\u20135466（2018）“，”DOI“：”10.1109\/CVPR.2018.00572“}，”key“：”e_1_2_6_36_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/TIP.2017.2785279”}Lee I.等人：使用时间滑动lstm网络集成基于骨架\u2010的动作识别的深度学习。摘自：2017年10月IEEE计算机视觉国际会议论文集，pp.\u00a01012\u20131020（2017）“，”DOI“：”10.1109\/ICCV.2017.115“}，{“key”：“e_1_2_6_38_1”，”DOI-asserted-by“：”crossref“，”unstructured“：”Si C.等人：一种用于基于骨架\u2010的动作识别的注意力增强图卷积lstm网络。收录于：2019年6月IEEE长滩计算机视觉和模式识别会议论文集，pp.1227\u20131236（2019）“，”DOI“：”10.1109\/CVPR.2019.00132“}，{“key”：“e_1_2_6_39_1”，“DOI-asserted-by”：“crossref”，”unstructured“：”Sainath T.N.等人：卷积长短期记忆完全连接的深层神经网络。在：2015年IEEE国际声学会议语音和信号处理（ICASSP）IEEE Brisbane 4580\u20134584（2015）“，”DOI“：”10.1109\/ICSP.2015.7178838“｝，｛”key“：”e_1_2_6_40_1“，”DOI断言“：”crossref“，”非结构化“：”Ke Q.等人：一种新的三维动作识别骨架序列表示方法。摘自：IEEE计算机视觉和模式识别会议记录2017年7月，3288\u2013329（2017）“，“DOI”：“10.1109\/CVPR.2017.486”}，{“key”：“e_1_2_6_41_1”，“unstructured”：“Li C.等人：基于骨架\u2010的卷积神经网络动作识别。2017年IEEE多媒体与展览研讨会国际会议（ICMEW）。IEEE Hong Kong July 2017 597\u2013600（2017）“}，{”key“：”e_1_2_6_42_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Wang P.et \u00a0al.：使用卷积神经网络基于联合轨迹图的动作识别。In:第24届ACM多媒体国际会议论文集102\u2013106（2016）”，“doi”：“10.1145\/29664284.2967191”}，}“key“：”e_1_2_6_43_1“，”首页“：”1097“，”article-title“：”深度卷积神经网络的Imagenet分类“，”author“：”Krizhevsky A.“，”year“：”2012“，”journal-title”：“Advances in neural Information Processing Systems”}，{“key”：“e_1_i_6_44_1”，”doi-asserted-by“：”crossref“，“unstructured”：“Caetano C.等人：SkeleMotion：基于三维动作识别的运动信息的骨骼关节序列的新表示。2019年IEEE第16届先进视频和信号监控国际会议（AVSS）1\u20138（2019）“，”DOI“：”10.1109\/AVSS.2019.8909840“}，{“key”：“e_1_2_6_45_1”，“DOI-asserted-by”：“crossref”，”unstructured“：”Caetano C.Br\u00e9mond F。Schwartz W.R.：基于树结构和参考关节的三维动作识别骨架图像表示。2019年第32届SIBGRAPI图形模式和图像会议（SIBGRAPID）。16\u201323。IEEE Rio de Janeiro（2019）“，”DOI“：”10.1109\/SIBGRAPI.2019.00011“}，{”key“：”e_1_2_6_46_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Liu J.et \u00a0al.：Spatio\u2010temporal lstm with trust trustry gates for 3d human action recognition。In:European Conference on Computer Vision Springer Amsterdam 816\u2013833（2016）”，“DOI”：“10.1007\/978-319-46487-9_50”}，“key“：”e_1_2_6_47_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Zhu W.et\u00a0al.：使用正则化深度LSTM网络进行基于骨架的动作识别的Co\u2010发生特征学习。在：第十三届AAAI人工智能会议（2016）“，”DOI“：”10.1609\/AAAI.v30i1.10451“}，”key“：”e_1_2_6_48_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.24963\/ijcai.2018\/109”}Gao X.等人：基于稀疏图回归的优化骨架\u2010动作识别。摘自：第27届ACM国际多媒体会议论文集601\u2013610（2019）“，”DOI“：”10.1145\/3343031.3351170“}，”key“：”e_1_2_6_50_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/CVPR42600.2020.00022”}，“key”：“e_1_i_6_51_1”，“volume-title”：“基于部分\u2010的动作识别图卷积网络”，“作者”：“Thakkar K.”，“year”：“2018”｝，｛“key”：“e_1_2_6_52_1”，“doi断言者”：“crossref”，“非结构化”：“Li B.et \u00a0al。：基于骨架\u2010的动作识别的空间\u2010时间图路由。In：AAAI人工智能会议记录。Vol.33.火奴鲁鲁2019年2月第8561页\u20138568（2019）”，“doi”：“10.1609\/aai.v33i01.33018561”｝，｛“key”：“e_1_2_6_53_1“，“volume-title”：“基于骨架的动作识别的非u2010局部图卷积网络”，“author”：“Shi L.”，“year”：“2018”}，{“key”：“e_1_i_6_54_1”，”doi-asserted-by“：”crossref“，”unstructured“：”Shi L.等人：基于Skeleton\u2010的有向图神经网络动作识别。摘自：2019年6月IEEE长滩计算机视觉和模式识别会议记录第7912页\u20137921（2019）e_1_2_6_56_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Song Y.\u2010F。张忠.王力：用于不完全骨架动作识别的富激活图卷积网络。2019年IEEE图像处理国际会议（ICIP）台北2019年9月2019年第1页\u20135（2019）“，”DOI“：”10.1109\/ICIP.2019.8802917“}，{“key”：“e_1_2_6_57_1”，“volume-title”：“预测编码图卷积网络用于噪声\u2010鲁棒骨架\u2010基于动作识别”，“author”：“Yu J.”，”year“：”2020“}”，{volume-title“：“基于骨架\u2010的动作识别的时间扩展模块”，“author”：“Obinata Y.”，“year”：“2020”}，{“key”：“e_1_2_6_59_1”，“volume-title”：“用于动作识别的空间\u2010时间图卷积网络中的顶点特征编码和分层时间建模”，“author”:“Papadopoulos K.”，”year“：”2019“}，”{“密钥”：“”e_1_2_6_60_1“，“volume-title”：“基于骨架\u2010的动作识别反馈图卷积网络”，“author”：“Yang H.”，“year”：“2020”}，{“key”：“e_1_i_6_61_1”，”doi-asserted-by“：”crossref“，”unstructured“：”Si C.等人：基于Skeleton\u2010的具有空间推理和时间堆栈学习的动作识别。摘自：慕尼黑2018年9月欧洲计算机视觉会议（ECCV）论文集，pp.103\u2013118（2018）“，”DOI“：”10.1007\/978-3-030-01246-5_7“}，{“key”：“e_1_2_6_62_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1109\/TPAMI.2019.2896631”}，“key“：”e_2_6-63_1“，”volume-title“：”带时间卷积网络的可解释三维人类行为分析”，“作者”：“Tae S.K”，“年份”：“2017”}，{“密钥”：“e_1_2_6_64_1”，“卷时间”：“模式识别”，“作家”：“蒙远L”，“年”：“2016”}]，“容器时间”：[“CAAI智能技术学报”]，“原文标题”：[]，“语言”：“en”，“链接”：[{“URL”：“https:\/\/onlinelibrary.wiley.com/doi\/pdf\/10.1049\/cit2.12014“，“content-type”：“application\/pdf”，“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\//onlinelibrary.wiley.com\/doi\/full-xml\/10.1049 \/cit2.1 2014”，“content-type“：”application\/xml“，”content-versiion“：”vor“，”intended-application“：”text mining“}，{”URL“：”https:\/\/onlinelibrary.wiley.com/doi\/pdf\/10.1049\/cit2.12014“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2022,12,1]]，”date-time“：“2022-12-01T12:31:31Z”，”timestamp“：1669897891000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\/\/onlinelibrary.wiley.com/doi\/10.1049\/cit2.12014“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2021,3]]}，“引用计数”：63，“日志发布”：{“发布”：“1”，“发布-发布”：：\/\/dx.doi.org\/10.1049\/cit2.12014“，”存档“：[”Portico“]，”关系“：{}，“ISSN”：[“2468-2322”，“2468-2322”]，“ISSN类型”：[｛“value”：“2468-2322”，“type”：“print”｝，｛“value”：“2468-2322”，“type”：“electronic”｝]，“subject”：[]，“published”：｛“date parts”：[[2021,3]]｝｝