—本文着重研究RGB-Dactivity识别的异构特征学习。我们发现，来自不同通道（RGB，深度）的特征可能共享一些相似的隐藏结构，然后提出了一种联合学习模型，以同时探索异构多任务的共享和特征特定组件。 拟议的在单一框架中形成的模型能够：1）共同挖掘具有相同维数的子空间以利用不同特征通道之间的潜在共享特征，2）同时，量化子空间中特征的共享和特征特定组成部分，以及3）特定特征的特征集（用于中间数据）进行互变转换。 为了有效地训练联合模型，在简单的推理模型之后，提出了一种三步迭代的优化算法。在四个活动数据集上的大量实验结果证明了该方法的有效性。 进一步致力于人与人互动的新RGB-Dactivity数据集，这代表了RGB-Dactivity基准测试的更多挑战
