本研究では、動画像中に映る複数の人がどのような動作をしているかを識別するモデルを構築する。人の2Dの動画像から3Dの姿勢を推定し、関節座標に変換する。また、関節座標データに対応する動作ラベルを作成し、関節とラベルの対応関係を捉えたグラフ畳み込みニューラルネットワークを通じて動作認識を行う。また、複数人の関節座標を共通空間に保持することを通じて、動作識別を行えるようにした。