In den letzten Jahren hat die Forschung zur Klassifikation menschlicher Aktionen erhebliche Fortschritte gemacht. Die meisten Ansätze auf Basis tiefer neuronalen Netze zielen darauf ab, die Leistung durch die Hinzufügung weiterer Netzwerkkomponenten zu verbessern. Wir schlagen hingegen vor, Hilfsmechanismen besser zu nutzen, darunter hierarchische Klassifikation, Netzwerkpruning und skelettbasierte Vorverarbeitung, um die Robustheit und Leistung des Modells zu steigern. Wir testen die Wirksamkeit unseres Ansatzes an vier häufig verwendeten Datensätzen: NTU RGB+D 60, NTU RGB+D 120, Northwestern-UCLA Multiview Action 3D sowie UTD Multimodal Human Action Dataset. Unsere Experimente zeigen, dass unser Verfahren auf allen vier Datensätzen entweder vergleichbare oder bessere Ergebnisse erzielt. Insbesondere etabliert unser Ansatz eine neue Baseline für NTU 120, den größten Datensatz unter den vier untersuchten. Zudem führen wir eine umfassende Analyse unseres Verfahrens durch, einschließlich detaillierter Vergleichs- und Ablationsstudien.