ưu nhược điểm của transformer so với CNN trong computer vision

Ứng dụng của mô hình action recognition dựa trên skeleton input trong thực tế là gì?

Nhược điểm của skeleton-based là gì?

Với mô hình skeleton-based, thì augmentation data như thế nào?

Một số mô hình 3D CNN phổ biến được dùng trong action recognition?