这篇文章开篇就指出，我们的模型是要从人体动作的序列中选取出最informative的那些帧，而丢弃掉用处不大的部分。但是由于对于不同的视频序列，挑出最有代表性的帧的方法是不同的，因此，本文提出用深度增强学习来将帧的选择模拟为一个不断进步的progressive process。
这篇文章处理的问题是skeleton based action recognition，提出的模型的示意图如下：
可以看出整个模型大体分为两个部分，FDNet和GCNN。其中FDNet指的是frame distillation network，帧蒸馏网络，形象的将选取最有用的帧的过程用蒸馏来形容。FDNet得到有用的帧之后就要输入到GCNN，也就是graph convolutional neural network里面进行graph convolution，完成动作识别。
强化学习是通过优化选择actions的policy来最大化agent从environment所获得的rewards。文章中说至今为止，在动作识别领域，增强学习的应用还不多。
做skeleton based action recognition会用到人体关节的邻接矩阵，之前做skeleton based action recognition基本都是有骨骼相连的关节对才会在邻接矩阵的相应位置标记一个1，没有连接的位置就标记为0，但本文不同，本文考虑到不相连的关节之间的相互关系也是很重要的，比如两只手不是直接相连的，但是两只手的相互位置关系在识别‘拍手’这个动作时就尤为重要。因此，本文的人体关节邻接矩阵是这么设计的：如果两个关节有连接，就在邻接矩阵相应位置标记为α，称之为intrinsic dependencies，否则标记为β，称之为extrinsic dependencies。此外关节没有self connection，是邻接矩阵对角元素全是0.
本文的卷积操作如下：首先，人体骨架序列是表示成graph 的序列，也就是，对于序列当中的每一个graph，进行的卷积都是
，其中y是卷积核，它的细节后文介绍，*表示卷积，xt是输入。之后
会被输入到全连接网络得到
，将
的
连接起来构成新的序列（一个3D tensor）
，之后用常规的CNN来处理G即得结果。本文的loss function选取的是交叉熵。接着介绍卷积的细节：首先graph上的拉普拉斯算符取做
，其中In是单位阵，W是邻接矩阵，元素只有α、β和0，D是度矩阵，是对角的，表明graph每个node的度，即
。有了L，就可以进一步处理得到
，其中
是L的最大特征值。之后就可以对输入的节点张量进行处理（节点张量x指的是每个节点的feature vector拼接而成得到的tensor）
这里面Tk是切比雪夫多项式，意思应该是对第k帧的graph的节点向量，就用k次的切比雪夫多项式来处理，这里再说明一下
是N个节点的三维坐标值。最后，卷积可以表示为
。这里面有一点不是很理解，就是为什么要用拉普拉斯算符的切比雪夫多项式来进行卷积，用邻接矩阵的多项式进行卷积可以理解，是为了进行不同hop的卷积，一次多项式就相当于第一层卷积，每个节点只聚合其最近邻节点的信息，而二次多项式聚合2-hop的信息。这样看来，这个拉普拉斯算符其实就相当于修饰过的邻接矩阵，而切比雪夫多项式也就是普通多项式修饰过得到的，应该是为了更好的表现。这个切比雪夫多项式之前在geometric deep learning这篇综述中也看到过，可以再去看看具体为什么要用切比雪夫多项式。
接着介绍FDNet，它的大体过程如下图所示
本文将帧的选择过程描述为一个马尔可夫决策过程（Markov decision process，MDP）。有几个概念要先介绍：States，状态，MDP的状态S包含两个部分，
是两个tensorF和M拼在一起，F是f×N×3的tensor，f是frames数量，N是joints数量，3就是三维坐标的意思，也就是说F是整个skeleton（graph）序列，而对于那些不够f个frames的序列，用双三次插值（bicubic interpolation）补全。M和F很相似，不同的是M是m×N×3的tensor，m是选出来的帧的数量，也就是说M包含着选出来的m帧skeleton graph的信息。而
是一个f-dimension的vector，只有m个值为1，其余为零，负责记录哪些帧被选了出来。本文中f等于100而m等于30.
第二个概念，Actions，action指的是调整选取哪些帧所进行的动作，本文模型中有三种action，‘向左移动’、‘向右移动’、‘原地不动’三种，分别记作0、2、1.并且移动的步长定位一帧。这个actions是DFNet的输出，每一次迭代，FDNet都输出一个vector，而
表示为第i帧选择动作j的概率大小，也就是为某一帧选择向左向右或是不动的概率大小。在采取action的时候有一个问题，比如第一帧向右移动的很多，而第二帧一直向左移动，导致第一帧到了第二帧右边，这样不同帧的顺序可能在一次次移动中产生混乱，因此作者为action设定了bound，定了界限，以保证所有帧都是按顺序排列的，设定界限也很简单，上限是这一帧和下一帧中间帧，即
表示第i帧移动的上界，也就是向右移动的界限，是第i帧和第i+1帧的中间位置向上取整，而如果i等于m，也就是i成为了选出来的m帧里的最后一个，那么调整的上限就是f，也就是graph序列的总帧数。调整的下界也是同样的想法，是这一帧和上一帧的中点，若是不能整除就向下取整
最终，第i帧的调整范围确定为，用
表示调整的变化量，那么调整后的帧可表示为
，而
的范围就可以写作
这里面用了min，要达到的效果也就是，如果调整量加上去以后
没有超过界限导致帧的顺序混乱，那就正常按照action的值来进行移动，否则，向左移动时，如果
已经到了下限的位置，
=0，那就不能再向左移动（
=0），向右移动时同理。
接下来是Rewards的概念，记作，体现的是agent在状态S下采取动作action，会带来多好的结果。这个reward是用一个事先训练好的GCNN来获得的，在第一次迭代时，如果预测结果正确，那么r=1，否则r=-1,当n>1时，要表达r，首先要介绍一下
，这里面
表示第n次迭代时，正确的将结果预测为c的概率（就是说c是分类的ground truth），这样，r0在-1和1之间取值，最终n>1的reward表达如下
这个Ω是一个较大的数字，这个reward表达式的含义是，如果预测结果从错误跳变到正确，就给一个stimulation，也就是一个大的Ω，如果预测结果从正确跳变到错误，就给一个大的惩罚，就是-Ω，而没有正确错误跳变的时候，就按照r0的表达式给reward。
整个FDNet就是产生action用的，将FDNet所有参数表示为θ，那么FDNet表示为，根据状态S，在参数θ的控制下输出动作action，其结构如下图所示
Sa经过卷积层，pooling层，全连接层之后，和经过全连接层的Sb合并起来，输入到同一个全连接层中，经过这层全连接层的线性变换，由softmax层得到action。
接着，文章阐述了一下关于训练网络的内容，首先，目的是要最大化“discounted reward R”，也就是这里突然就出现了一个discounted reward，这个是强化学习中的内容，γ是一个大于0小于1的数，越往后，reward就越打折扣，可能是因为主要的调整集中在前几次迭代？或者也是为了最终能收敛？我还不是很确定。然后，为了最大化这个R，提出的loss函数是
，这两者之间有什么关系我也还没台东，为什么增大这个reward就是要减小这个loss？有了这个loss之后，就可以由此更新θ了，具体是
，这个
只说是normalized R，应该也是强化学习中我还没了解到的内容。之后作者说到，训练深度强化学习可以用deep Q-learning或者policy gradient，而本文action有三种，3^m很大，用deep Q-learning计算量大（这里还需具体了解deep Q-learning的细节才知道为什么），所以用了policy gradient。整个深度增强网络算法如下：
最后作者讲了如何将FDNet和GCNN结合起来，首先，从graph的序列中均匀的选出一些frames，用它们来训练GCNN，之后将GCNN的参数固定，再来训练FDNet，而训练过的FDNet又能够精细调节GCNN， 就这样两者互帮互助。