主题：视频中，基于骨架的行为识别。
解读：https://blog.csdn.net/b224618/article/details/81143736
解读：https://blog.csdn.net/chenhaojing/article/details/81476244
其他人：用DRL做行为识别的很少、类似的工作一般一次提取一个关键帧
框架：用DRL训练 FDNet提取关键帧，用GCNN训练。
RL:
状态：F\M\Sb
F:global frames: 所有帧的信息：帧数关键点数三个维度。
*帧非整数：双三次插值。保证首尾与原相同。
* 双三次插值（英语：Bicubic interpolation）是二维空间中最常用的插值方法。
M:selected frames：当前被选择帧的信息。
Sb:被选择帧的掩码
动作：向哪个方向移动帧（3种）
*移动有固定范围，不会交叉。上下界：当前帧和下一帧的一半
奖励：GCNN训练好。从绝对正确帧与错误帧跳跃时加大奖励惩罚，其他用
GCNN:（这里有一些数学公式没看懂）
构图，后卷积
loss function选取的是交叉熵（= =）
*交叉熵：度量两个概率分布间的差异性信息
训练：使用 policy gradient。Deep Q-learning工作量大。
算法：先用等间距帧训练GCNN，之后训练和用DRL调整。
评价
优点：在动作识别领域，增强学习的应用还不多。基于骨架的CNN，之前研究只考虑互连骨架，其实不互连的也有用。
缺点：1.关键帧数量。2.移动卡住，有些范围无法达到等问题。3.正确帧一个范围。4.有的帧从对到错，有的帧从错到对（r是累加的？还是一个？）
*这个帧移动/奖励函数 的机制一定有问题，可以构造一下看看。但是DRL本来就不能解决。。
vertex
顶点
cross-entropy
交叉熵
sensory
感觉
mutually
交互地
frame
框架
concatenate
连接
aggregate
总计的
enforce
执行