Angesichts der Probleme niedriger Erkennungsrate und -geschwindigkeit bei zwei Algorithmen, nämlich Convolutional Neural Networks und Graph Convolutional Networks, zur Erkennung von Gewalttaten auf dem Schulgelände, schlägt dieser Artikel ein leichtgewichtiges Graph Convolutional Network vor, das die Fusion mehrerer Informationsflüsse und einen spatio-temporalen Aufmerksamkeitsmechanismus kombiniert. Basierend auf dem menschlichen Skelett als Forschungsobjekt werden zunächst multiple Informationsflussdaten zu Gelenken und Skelett fusioniert, um die Rechengeschwindigkeit durch Reduzierung der Netzwerkparameter zu erhöhen; danach wird ein spatio-temporales Aufmerksamkeitsmodul auf der Basis nicht-lokaler Operationen konstruiert, das die gelenkspezifisch wichtigsten Bewegungserkennungen fokussiert und durch Reduzierung redundanter Informationen die Erkennungsgenauigkeit verbessert; anschließend wird ein Modul zur Extraktion spatio-temporaler Merkmale aufgebaut, um die zeitlich-räumliche Beziehung der fokussierten Gelenke zu erfassen; letztlich erfolgt die Bewegungserkennung mittels einer Softmax-Schicht. Die experimentellen Ergebnisse zeigen, dass in einer realen Schulsicherheitsumgebung die Erkennungsgenauigkeiten für sechs typische Aktionen – Schlagen, Treten, Fallen, Schubsen, Ohrfeigen und Knien – jeweils 94,5 %, 97,0 %, 98,5 %, 95,0 %, 94,5 % bzw. 95,5 % betragen und die maximale Erkennungsgeschwindigkeit 20,6 fps erreicht. Der Vergleich auf dem UCF101-Datensatz zeigt eine Verbesserung von Erkennungsgeschwindigkeit und Genauigkeit gegenüber zwei Baseline-Netzwerken und bestätigt die Generalisierbarkeit der Methode für andere Aktionen sowie ihre Eignung zur Erfüllung von Echtzeit- und Zuverlässigkeitsanforderungen bei der Erkennung typischer Gewalttaten an Schulen.

Erkennung von Gewalttaten auf dem Schulgelände;Graph Convolutional Network;Datenfusion;Spatio-temporales Aufmerksamkeitsmodul