Diante do problema da baixa velocidade e precisão de reconhecimento em dois tipos de algoritmos, redes neurais convolucionais e redes convolucionais gráficas, na identificação de comportamentos violentos no ambiente escolar, este artigo propõe uma rede convolucional gráfica leve que combina fusão de dados de múltiplos fluxos de informação e um mecanismo de atenção espaço-temporal. Utilizando o esqueleto humano como objeto de estudo, inicialmente fusionam-se dados de múltiplos fluxos relacionados aos pontos articulares e ao esqueleto, aumentando a velocidade de cálculo ao reduzir a quantidade de parâmetros da rede; em seguida, constrói-se um módulo de atenção espaço-temporal baseado em operações não locais, focado nos pontos articulares mais discriminativos para a ação, aumentando a precisão ao reduzir informações redundantes; depois constrói-se um módulo de extração de características espaço-temporais para obter as informações de associação espaço-temporal dos pontos articulares focados; finalmente, o reconhecimento da ação é realizado por meio de uma camada Softmax. Os resultados experimentais mostram que, em um ambiente real de segurança escolar, as precisões de reconhecimento das seis ações típicas — soco, chute, queda, empurrão, tapa e ajoelhar — foram respectivamente 94,5%, 97,0%, 98,5%, 95,0%, 94,5% e 95,5%, com uma velocidade máxima de reconhecimento de 20,6 fps. No conjunto de dados UCF101, a comparação com duas redes base demonstrou melhorias na velocidade e precisão do reconhecimento, validando a generalização do método para outras ações e sua capacidade de atender aos requisitos de tempo real e confiabilidade na identificação de comportamentos violentos típicos em escolas.

Reconhecimento de comportamentos violentos no ambiente escolar;Rede convolucional gráfica;Fusão de dados;Módulo de atenção espaço-temporal