Últimamente, el reconocimiento de acciones basado en esqueletos ha atraído una atención notable a las redes convolucionales de grafos (GCNs). Los métodos recientes se han centrado en el aprendizaje de grafos porque la topología del grafo es clave para las GCNs. Proponemos alinear el aprendizaje de grafos a nivel de canal introduciendo convolución de grafos con topología enriquecida basada en correlaciones cuidadosas a nivel de canal, es decir, la convolución de grafos de correlación atenta a nivel de canal (ACC-GC). Para que el modelo aprenda topologías enriquecidas a nivel de canal, ACC-GC aprende una topología de grafo compartida que abarca muchos canales y la mejora con correlaciones cuidadosas a nivel de canal. Codificar la intra-correlación entre varios nodos dentro de cada canal, potenciar correlaciones informativas a nivel de canal y suprimir las triviales genera correlaciones atentas a nivel de canal. Nuestro mejorado ACC-GCN se crea sustituyendo nuestro ACC-GC por el GC en un GCN estándar. Experimentos extensos en los conjuntos de datos NTURGB60 y Northwestern-UCLA demuestran que nuestro propuesto ACC-GCN tiene un rendimiento comparable a los métodos de vanguardia mientras reduce el costo computacional.