Frente al problema de la baja velocidad y precisión de reconocimiento de dos tipos de algoritmos, redes neuronales convolucionales y redes convolucionales gráficas, en la identificación de conductas violentas en el entorno escolar, este artículo propone una red convolucional gráfica ligera que combina la fusión de datos multifuente y un mecanismo de atención espacio-temporal. Tomando el esqueleto humano como objeto de estudio, primero se fusionan los datos multifuente relacionados con las articulaciones y el esqueleto, mejorando la velocidad de cálculo al reducir la cantidad de parámetros de la red; luego se construye un módulo de atención espacio-temporal basado en operaciones no locales que se enfoca en las articulaciones más discriminativas para la acción, aumentando la precisión al reducir la información redundante; posteriormente se construye un módulo de extracción de características espacio-temporales para obtener la información de asociación espacio-temporal de las articulaciones de interés; finalmente, la identificación de acciones se realiza mediante una capa Softmax. Los resultados experimentales muestran que, en un entorno real de seguridad escolar, la precisión para reconocer seis acciones típicas — puñetazo, patada, caída, empujón, bofetada y arrodillarse — fue de 94.5%, 97.0%, 98.5%, 95.0%, 94.5% y 95.5%, respectivamente, con una velocidad máxima de reconocimiento de 20.6 fps. En el conjunto de datos UCF101, la comparación con dos redes base mostró mejoras en velocidad y precisión de reconocimiento, lo que confirma la generalidad del método para otras acciones y su capacidad para cumplir con los requisitos de tiempo real y fiabilidad en la identificación de conductas violentas típicas en escuelas.

Reconocimiento de conductas violentas en escuelas;Red convolucional gráfica;Fusión de datos;Módulo de atención espacio-temporal