本文提出了一种新颖的端到端可训练深度体系结构,以学习用于从骨骼数据中理解人类运动的细心动态图(ADM)。 ADM不仅打算像传统的动态图像/地图那样捕获人类运动期间(称为动作)的动态信息,而且还希望将时空注意力嵌入动作分类中。 具体而言,将骨架序列编码为骨架关节图(STM)序列,每个STM均编码序列中骨架的关节位置(即空间)和相对时间顺序(即时间)。 将STM序列输入到定制的3DConvLSTM中,以探索可从中获知动态图的局部和全局时空信息。 随后使用此动态图来学习每个时间戳的时空注意。 然后,根据学习到的注意力权重和3DConvLSTM的所有隐藏状态生成ADM,并将其用于操作分类。 与大型组合数据集,MSRC-12数据集和NTU RGB + D数据集的最新结果相比,该方法取得了竞争优势。