تمثيل التعرف على الأفعال البشرية المستند إلى المعلومات العميقة المقدمة من أجهزة الاستشعار العميقة التجارية يُعد مهمة مهمة ولكنها صعبة. فالمخططات العميقة المضطربة، والطول المختلف لسلسلة الأفعال، والأنماط الحرة في أداء الأفعال قد تؤدي إلى تباين كبير داخل الفئة. في هذه الورقة، تم اقتراح إطار عمل جديد يعتمد على الترميز النادر (Sparse Coding) وتوافق الهرمية الزمنية (Temporal Pyramid Matching - TPM) للتعريف بالأفعال البشرية المستندة إلى العمق. وتحديدًا، تم اقتراح خوارزمية جديدة لتعلم القواميس المميزة حسب الفئة، وذلك لتحسين الترميز النادر. وبإضافة قيود التجميع النادر (Group Sparsity) والقيود الهندسية، يمكن إعادة بناء الميزات بشكل جيد باستخدام القواميس الفرعية المنتمية إلى نفس الفئة، كما يتم الحفاظ على العلاقات الهندسية بين الميزات في المعاملات المحسوبة. وقد تم اختبار النهج المقترح على مجموعتين من البيانات المعياريّتين تم جمعهما باستخدام كاميرات عميقة. وأظهرت النتائج التجريبية أن الخوارزمية المقترحة تحقق أداءً متفوقًا بشكل متكرر مقارنة بالخوارزميات الرائدة في المجال. علاوة على ذلك، تفوقت خوارزمية تعلم القواميس المقترحة على الطرق التقليدية لتعلم القواميس.