This thesis concerns labelling unlabelled motion capture (mocap) data using a Dynamic Graph Convolutional Neural Network (DGCNN) [46]. The most common type of motion-capture system, i.e. passive motion-capture, records the 3D position of multiple reflective markers using multiple infrared cameras with overlapping fields of view. To make the recorded points useful, each point must be assigned a label uniquely identifying what it was attached to in the real world. For human subjects, the correspondence between recorded markers and the human body is usually established by having the subject perform a calibration pose at the beginning of the recording. This thesis investigates if this labelling process can be performed using a DGCNN originally devised for general point cloud segmentation and recognition. In order to evaluate this, a DGCNN was implemented and trained on synthetically generated mocap data. When applied to non-synthetic mocap data released as part of the state-of-the-art transformer-based SOMA [15] auto labelling system, the DGCNN could correctly label 99% of all recorded points, only slightly below the 100% state of the art performance on the same dataset. ; Det här arbetet handlar om uppmärkning av motion capture (mocap) data med ett dynamiska graf-faltningsnätverk (DGCNN) [46]. Den vanligaste typen av motion-capture-system, passiv motion-capture, spelar in reflekterande markörer med flera överlappande IR-kameror och beräknar markörernas 3D-positioner. För att den de inspelade positionerna (punkter) ska vara användbara måste de identifieras med vilken inspelad markör de härrör från. När mänsklig rörelse spelas in etableras vanligen kopplingen mellan de inspelade och verkliga markörerna genom att aktören börjar inspelningen med att intar en kalibreringspose. I det här arbetet undersöks om uppmärknings processen kan utföras av ett DGCNN, en algorithm ursprungligen skapad för att segmentera och kategorisera punktmoln generellt. För att undersöka detta implementerades en DGCNN och tränades på syntetiskt ...