诱导式深度学习的动作识别方法：利用相机获取用于动作识别的视频序列，对视频序列进行预处理，得到一种或多种不同特性的信息源序列，选择一种或多种类型的特征，构建提取所选类型特征的深度学习网络，将信息源序列输入深度学习网络中提取特征，得到视频序列的动作类型，将特征流输入深度学习网络架构中进行动作识别。
创见与创新：
选择了多种特征源，使深度学习网络能够提取出更多具有良好区分性的特征，使得整个系统具有更好的辨识能力。
每类特征都有自身的优势，反应了目标的不同特性，适用于不同的应用场合，依据领域知识，设计了多种不同的特征类型，让深度学习网络能够获取更多、更合适的特征，并进行融合，有助于提升识别的效果，适应更多的场景。
对视频序列流进行预处理，使深度学习能够获得更加准确和可靠的信息，加快深度学习的速度，提高识别率。
根据应用场景，有针对性的去解决问题，考虑关节点的权重问题，采用带全局时空注意力模型的LSTM结构进行识别。
由于每一种深度学习方法都有其自身的特色，适用于处理特定的问题，因此，在面向实际问题的时候，根据不同的目的选择合适的结构，如CNN比较适合处理图像相关的问题，LSTM比较适合处理连续序列相关的问题。因此，产品自主设计深度学习网络结构，提高深度学习的性能。