Face au problème de faible vitesse et précision de reconnaissance des deux types d'algorithmes que sont les réseaux de neurones convolutifs et les réseaux convolutifs graphiques dans la reconnaissance des comportements violents dans les établissements scolaires, cet article propose un réseau convolutif graphique léger combinant une fusion de données multi-flux et un mécanisme d'attention spatio-temporelle. En prenant le squelette humain comme objet d'étude, on fusionne d'abord les données multi-flux relatives aux articulations et au squelette, améliorant ainsi la vitesse de calcul en réduisant le nombre de paramètres du réseau ; ensuite, un module d'attention spatio-temporelle basé sur des opérations non locales est construit pour se concentrer sur les articulations les plus discriminantes pour l'action, améliorant ainsi la précision en réduisant les informations redondantes ; puis un module d'extraction des caractéristiques spatio-temporelles est mis en place pour obtenir les informations d'association spatio-temporelle des articulations ciblées ; enfin, la reconnaissance des actions est réalisée par une couche Softmax. Les résultats expérimentaux montrent que dans un contexte de sécurité scolaire, les précisions de reconnaissance des six actions typiques — coup de poing, coup de pied, chute, poussette, gifle et agenouillement — sont respectivement de 94,5 %, 97,0 %, 98,5 %, 95,0 %, 94,5 % et 95,5 %, avec une vitesse maximale de reconnaissance de 20,6 images par seconde. Sur le jeu de données UCF101, la comparaison avec deux réseaux de référence montre une amélioration de la vitesse et de la précision de reconnaissance, validant la généralité de la méthode pour d'autres actions et sa capacité à répondre aux exigences de temps réel et de fiabilité pour la reconnaissance des comportements violents typiques en environnement scolaire.

Reconnaissance des comportements violents en milieu scolaire;Réseau convolutif graphique;Fusion de données;Module d'attention spatio-temporelle