شهدت تقنيات التعرف على حركات الهيكل العظمي (Skeleton-Based Action Recognition) تقدماً ملحوظاً في السنوات الأخيرة، لا سيما في التطبيقات الخاصة بالتفاعل بين الإنسان والآلة والمراقبة الذكية. ومع ذلك، يواجه هذا المجال تحديات متعددة أبرزها فقر المعلومات بسبب الاعتماد على حساسات تقوم بإنتاج إحداثيات مفصلية (Joint Coordinates) غير مكتملة، مما قد يؤدي إلى فقدان معلومات فريدة حول الحركة في الزمن والمكان.

للتغلب على هذه العقبات، قدم الباحثون نظام KGS-GCN، الذي يجمع بين تقنيات Gaussian Splatting المدفوعة بالحركة وبنية احتمالية ضمن شبكة التلافيف الرسومية (Graph Convolutional Network). تحتوي هذه التقنية على وحدة Gaussian Splatting تقوم ببناء مصفوفات تباين غير متكافئة عن طريق استخراج متجهات سرعة المفاصل اللحظية، مما يحول تسلسلات الهيكل العظمي النادرة إلى خرائط حرارية متعددة المناظير غنية بمعاني الزمان والمكان.

علاوة على ذلك، تمتاز KGS-GCN باستراتيجيتها لبناء الهياكل الاحتمالية التي تتجاوز قيود الترابط الفيزيائي، وذلك باستخدام مسافة Bhattacharyya لتحديد التداخلات الإحصائية بين التوزيعات Gaussian للمفاصل، مما يساعد على إنشاء مصفوفة تجاور أولية قابلة للتكيف.

ولتعزيز كفاءة الحساب، تم تصميم فرع توزيع متعدد المناظر مع عظم GCN التركيب، مما يتيح دمج مؤشرات الحركة المستمرة والسياقات الهيكلية بكفاءة عالية، حيث يحتاج النظام فقط إلى 1.4 مليون معلمة و1.3 GFLOPs.

تظهر التجارب الواسعة على مجموعات البيانات المرجعية المتعددة أن KGS-GCN تعزز بشكل كبير من نمذجة الديناميات المعقدة في الزمان والمكان وتحقق أداءً تنافسياً بتكلفة حسابية منخفضة، مما يضع نموذجاً فعالاً للارتقاء بالاستجابة الإدراكية لبيانات الحساسات بجودة منخفضة.