El reconocimiento de actividades humanas utilizando técnicas basadas en visión se ha convertido en un campo de investigación crucial en análisis de video. Durante la última década, ha habido numerosos avances en algoritmos de aprendizaje profundo destinados a detectar con precisión acciones humanas complejas en transmisiones de video. Si bien estos algoritmos han demostrado un rendimiento impresionante en el reconocimiento de actividades, a menudo muestran un sesgo hacia el rendimiento del modelo o la eficiencia computacional. Este intercambio sesgado entre robustez y eficiencia plantea desafíos al abordar problemas complejos de reconocimiento de actividades humanas. Para abordar este problema, este documento presenta un enfoque computacionalmente eficiente pero robusto, explotando características espaciales y temporales conscientes de la saliencia para el reconocimiento de acciones humanas en videos.