تشخیص کنش انسان در تصاویر RGB+D یکی از موضوعات پر کاربرد و جدید در حوزه یادگیری و بینایی ماشین است که دارای چالشهای فراوانی نیز می باشد. روشهای زیادی در این حوزه وجود دارد که در بین آنها روشهای مبتنی بر یادگیری عمیق کارآیی مناسبتری دارند. در در ، این مقاله روشی مبتنی بر شبکه های عصبی کانولوشن ارائه شده است که از ترکیب همزمان ویژگیهای دوبعدی و سه بعدی استفاده می کند. در این روش ابتدا ویژگی هایی از دنباله اسکلتی تصاویر استخراج شده، سپس هر دسته ویژگی به یک شبکه عصبی کانولوشن داده شده و در نهایت خروجی شبکه ها با یکدیگر ترکیب می شوند. روش پیشنهادی بر روی پایگاه دادهNTU RGB+D آزمایش شده است و دقت 86.4% برای تشخیص کنش با پروتکل ارزیابی cross view به دست آمده است.
