便可以得到一个第二样本图像组及样本图像组的事件检测结果。实施例三：上述步骤f2，基于场景图像检测模型输出的检测结果，确定关于目标防护舱的事件检测结果，可以包括以下步骤f21-f23：步骤f21：将至少包含光流图在内的第二类图像确定为辅助图像，第二类图像中各个图像的类型均为：基于每两帧连续的关于所述目标防护舱且包括所述目标对象的图像获取的光流图，光流图为当前帧图像对应的光流图；步骤f22：将辅助图像输入到预设的光流图检测模型中，得到光流图检测模型输出的检测结果；其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与...

用于将场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合计算，基于融合计算的结果，确定关于目标防护舱的事件检测结果。可选的，一种具体实现方式中，上述结果确定单元包括：乘积计算子单元，用于根据场景图像检测模型和光流图检测模型的权重，计算场景图像检测模型输出的检测结果和场景图像检测模型的权重的乘积，并计算光流图检测模型输出的检测结果与光流图检测模型的权重的第二乘积；结果确定子单元，用于计算乘积和第二乘积的和值，基于和值，确定关于目标防护舱的事件监测结果。可选的，一种具体实现方式中，事件检测结果为：关于未发生异常事件的结果，或者，关于发生异常事件且所发生异常事件类型的结果。...

向告警装置输出告警指令。告警装置在接收到告警指令后执行告警操作，从而可以提醒救生人员。因此，本实用新型实施例中的方案能够及时准确地检测到溺水事件的发生，并及时地通知救生员进行救援。为使本实用新型的上述目的、特征和优点能够更为明显易懂，下面结合对本实用新型的具体实施例做详细的说明。本实用新型实施例提供了一种溺水事件检测系统。在本实用新型实施例中，溺水事件检测系统可以包括n个摄像头11、控制器12以及告警装置13。在具体实施中，n个摄像头11可以均设置在游泳池壁上。n个摄像头11在工作时，可以实时采集到游泳池内的图像。n个摄像头11与控制器12可以通信连接，从而可以将实时采集到的图像传输至...

从而可以提高对防护舱内用户出现异常事件的检测准确率可选的，一种具体实现方式中，上述装置还包括图像判断模块；在本实现方式中，一种情况下，图像判断模块，可以用于在基于当前帧图像，确定待分析图像之前，判断当前帧图像和当前帧图像之前的连续预设数量帧图像，是否均包含目标对象；在本实现方式中，另一种情况下，图像判断模块，可以用于在基于当前帧图像，确定待分析图像之前，判断当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含目标对象；如果是，触发图像确定模块。可选的，一种具体实现方式中，上述图像确定模块630包括：图像确定子模块，用于将至少包含当前帧图像的类图像确定为待分析图像，其中...

m个第二摄像头14还可以采用其他的无线通信协议与控制器12进行无线通信，本实用新型实施例不做赘述。给出了本实用新型实施例中的另一种溺水事件检测系统的结构。在本实用新型实施例中，m个第二摄像头14均可以设置在游泳池水面的上方，从而能够从上向下采集游泳池内的图像。在垂直方向上，任一个第二摄像头14设置的位置与游泳池水面的距离可以大于预设距离。也就是说，在垂直方向上，m个第二摄像头14均设置在n个摄像头11的上方。为能够采集较大视角范围内的图像，m个第二摄像头14均可以设置在游泳池上方的悬梁上，游泳池上方的悬梁可以是游泳场馆的悬梁，也可以是设置在游泳池上方较高处的杆状物。具体的，第二摄像头1...

可以获取概率大值的索引所对应的类型即可。本申请实施例通过双向lstm网络或者bert得到句子的向量化语义表示，然后进行span的划分从而得到多个语义片段，然后对每个语义片段进行平均池化得到每个span的表示，使用自注意力机制获取不同span之间的关系从而得到深层的语义表示，后使用两层全连接网络进行分类操作从而确定每个span是否为某一事件的触发词或者是事件主体。本申请实施例公开了一种采用span划分方式，同时抽取事件触发词和事件主体的事件检测方法，至少具有以下优势：1、同时抽取事件触发词和事件的主体，可获取更加有用的信息，具有较强的实际应用价值。2、在数据处理和建模的过程中不使用现有的...

光流图检测模型为：采用各个第二样本图像和每个第二样本图像的事件检测结果所训练得到的模型，且每个第二样本图像为一帧光流图。需要说明的是，下面对上述步骤f23的具体实现方式进行举例说明。一种具体实现方式中，上述步骤f23可以包括如下步骤f231-f232：f231：根据场景图像检测模型和光流图检测模型的权重，计算场景图像检测模型输出的检测结果和场景图像检测模型的权重的乘积，并计算光流图检测模型输出的检测结果与光流图检测模型的权重的第二乘积；f232：计算乘积和第二乘积的和值，基于和值，确定关于目标防护舱的事件监测结果。在本实现方式中，当场景图像检测模型输出的检测结果和光流图检测模型输出的检...

电子设备在上述步骤s304中得到的事件检测结果可以为：关于未发生异常事件的结果，即目标防护舱内未发生异常情况；相对应的，电子设备在上述步骤s304中得到的事件检测结果也可以为：关于发生异常事件的结果，即目标防护舱内发生异常情况。可选的，一种具体实现方式中，上述事件检测结果为：关于未发生异常事件的结果。具体的，当事件检测结果为：关于未发生异常事件的结果时，则在上述步骤s304中，上述检测模型可以直接输出：未发生异常事件，这样，电子设备便可以确定目标防护舱内未发生异常事件。可选的，另一种具体实现方式中，上述事件检测结果为：关于发生异常事件的结果。具体的，当事件检测结果为：关于发生异常事件的...

上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息...

缺点在于：首先处理繁琐，其次这些工具在处理的过程中本身具有一定的误差，因此在后续建模分析的过程中会存在误差累积的问题。3、基于序列标注的一系列模型很难解决事件主体存在交叉的情况，比如“北京的法院”为一个事件主体(机构)，但是“北京”本身也是一种主体/实体(地名)。技术实现要素：本申请提供了一种事件检测方法和装置，能够获取更加有用的信息，具有较强的实际应用价值；在数据处理和建模的过程中操作简单，避免了因使用自然语言处理工具而导致的误差累积的问题；通过划分span的方式，完美解决了序列标注存在的问题，效率更高，适用性更强。本申请提供了一种事件检测方法，所述方法可以包括：获得语句的向量化语义...

如果是，基于所述当前帧图像，确定待分析图像，其中，所述待分析图像为：关于所述目标语音关键事件检测防护舱及所述目标对象的图像；将所述待分析图像输入到预设的检测模型中，得到关于所述目标防护舱的事件检测结果；其中，所述检测模型为：基于各个样本图像和每个样本图像的事件检测结果所训练得到的模型。第二方面，本发明实施例提供了一种事件检测装置，所述装置包括：图像获取模块，用于实时获取关于目标防护舱的图像，并将当前时刻所采集到的图像作为当前帧图像；图像检测模块，用于检测所述当前帧图像是否包含目标对象，其中，所述目标对象为：能够表征用户进入所述目标防护舱的用户身体部位；如果是，触发图像确定模块；所述图像...

确定关于目标防护舱的事件检测结果；其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图。可选的，一种具体实现方式中，上述装置还包括：光流图确定模块，用于每获取到一帧图像，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；则在本实现方式中，上述结果确定子模块包括：辅助图像确定单元，用于将至少包含光流图在内的第二类图像确定为辅助图像，第二类图像中各个图像的类型均为：基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的光流图，光...

本发明实施例提供的一种事件检测方法可以引用于任一能够利用模型进行图像检测的电子设备，例如，平板电脑、笔记本电脑、台式电脑等，这都是合理的。为了描述方便，以下简称电子设备。需要说明的是，当前存在多台投入使用的防护舱，而针对每台防护舱都可以采用本发明实施例提供的一种事件检测方法来对关于该防护舱的事件进行检测。其中，每台电子设备可以只针对一台防护舱，检测关于该防护舱的事件；也可以针对多台防护舱，分别检测关于该多台防护舱的事件。这都是合理的。具体的，当一台电子设备针对多台防护舱，分别检测关于该多台防护舱的事件时，可以为每台防护舱添加标签，进而，确定的每台防护舱对应的待分析图像中也会携带有该防护...

便可以得到一个第二样本图像组及样本图像组的事件检测结果。实施例三：上述步骤f2，基于场景图像检测模型输出的检测结果，确定关于目标防护舱的事件检测结果，可以包括以下步骤f21-f23：步骤f21：将至少包含光流图在内的第二类图像确定为辅助图像，第二类图像中各个图像的类型均为：基于每两帧连续的关于所述目标防护舱且包括所述目标对象的图像获取的光流图，光流图为当前帧图像对应的光流图；步骤f22：将辅助图像输入到预设的光流图检测模型中，得到光流图检测模型输出的检测结果；其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与...

n个摄像头11与控制器12之间进行无线通信时，所采用的无线通信协议可以为wifi、蓝牙、zigbee等。可以理解的是，n个摄像头11还可以采用其他的无线通信协议与控制器12进行无线通信，本实用新型实施例不做赘述。在具体应用中，可以在游泳池壁的四周均匀设置摄像头11。通过设置的n个摄像头，可以采集水平方向上游泳池内的图像。在具体实施中，在设置n个摄像头11时，在垂直方向上，每一个摄像头11所设置的位置与游泳池水面之间的距离可以均小于预设值。摄像头11所设置的位置可以位于游泳池水面以下，也可以位于游泳池水面以上，还可以位于游泳池水面附近。在设置摄像头11时，可以将n个摄像头11均设置在游泳...

倒地事件概率75％，剧烈运动事件15％，破坏设备事件5％；这样，电子设备便可以确定目标防护舱内出现用户意外倒地的事件。可以理解的，对防护舱内发生的异常事件进行检测的目的之一是保证监控人员能够及时发现各类异常事件，保证防护舱内的用户的人身和财产安全，因此，可以实时对目标防护舱内发生的事件进行检测。具体的，在本发明实施例中，电子设备是实时获取当前帧图像的，进而，便可以继续实时判断该当前帧图像是否包括目标对象时，并在判断结果为是时，实时对目标防护舱内发生的事件进行检测，得到在采集当前帧图像的当前时刻，关于目标防护舱的事件检测结果。即电子设备可以实现对关于目标防护舱的事件检测结果的实时检测，其...

检测模型为：基于各个样本图像和每个样本图像的事件检测结果所训练得到的模型。在该检测模型的训练过程中，可以将各个样本图像作为待训练模型的输入，将各个样本图像的事件检测结果作为待训练模型的输出。这样，在训练过程中，待训练模型可以学习各个样本图像中的图像特征，输出各个样本图像的事件检测结果，逐步建立样本图像的图像特征和事件检测结果的对应关系。这样，经过大量样本图像的学习，便可以得到上述检测模型。而该训练得到的检测模型也就可以用于对基于当前帧图像确定的待分析图像进行检测，输出的事件检测结果，即为关于目标防护舱的事件检测结果。显然，在训练上述检测模型时，所使用的样本图像为关于防护舱的图像。需要强...

从而可以提高对防护舱内用户出现异常事件的检测准确率可选的，一种具体实现方式中，上述装置还包括图像判断模块；在本实现方式中，一种情况下，图像判断模块，可以用于在基于当前帧图像，确定待分析图像之前，判断当前帧图像和当前帧图像之前的连续预设数量帧图像，是否均包含目标对象；在本实现方式中，另一种情况下，图像判断模块，可以用于在基于当前帧图像，确定待分析图像之前，判断当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含目标对象；如果是，触发图像确定模块。可选的，一种具体实现方式中，上述图像确定模块630包括：图像确定子模块，用于将至少包含当前帧图像的类图像确定为待分析图像，其中...

通信接口用于上述电子设备与其他设备之间的通信。存储器可以包括随机存取存储器(randomaccessmemory，ram)，也可以包括非易失性存储器(non-volatilememory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。上述的处理器可以是通用处理器，包括处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessing，dsp)、集成电路(applicationspecificintegratedcirc...

本申请提供了一种事件检测方法，如图1所示，所述方法可以包括s101-s105：s101、获得语句的向量化语义表示w1。在本申请的示例性实施例中，在获得语句的向量化语义表示w1之前，可以首先对要进行事件抽取的数据进行预处理。在本申请的示例性实施例中，所述方法还可以包括：预先将触发词的类型划分为x种，将事件主体的类型划分为y种，其中，x、y均为正整数；在获得语句的向量化语义表示w1之前，根据设定的span宽度，对语句进行span划分，以将语句划分为多个span，并对每个span进行标记；其中，每个标记表示x+y+1种类型中的任意一种，1表示所述触发词的类型和所述事件主体的类型以外的其他类型...

该m+1帧图像便可以组成一个样本图像组，并进一步确定该样本图像组的事件检测结果为：采集该m+1帧图像时，该防护舱内发生的事件类型。具体的，当待分析图像为：当前帧图像，则场景图像检测模型为：采用各个样本图像和每个样本图像的事件检测结果所训练得到的模型，且每个样本图像为一帧场景图像。其中，针对至少一个防护舱，在该防护舱中发生各类事件时，采集一帧关于该防护舱的图像，并将采集该图像时，该防护舱内发生的事件类型作为该图像的事件检测结果，这样，便可以得到一个样本图像组及样本图像组的事件检测结果。实施例二：待分析图像为上述第二类图像，即待分析图像为：至少包含光流图的光流图；则上述步骤s303，包括如...

比如人名、地名、组织机构名、时间等。4、事件检测与主体抽取：事件检测与主体抽取即为同时抽取事件的触发词和事件的主体。5、注意力机制：注意力机制的本质来自于人类视觉注意力机制。当人们发现一个场景经常在某部分出现自己想观察的东西时，人们会进行学习在将来再出现类似场景时把注意力放到该部分上。在计算某一序列表示时，注意力机制可以获得权重和序列位置的相关性。6、自注意力机制：自注意力机制是对注意力机制的改进，减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性，无视词之间的距离直接计算依赖关系，能够学习一个句子的内部结构。7、span：span可认为是“一段区域，每个span具有一定的宽度”...

目标对象为：能够表征用户进入目标防护舱的用户身体部位；可以理解的，在某些时刻，目标防护舱内可能并不存在用户，则可以确定在这些时刻目标防护舱内不会发生异常事件。因此，为了节省电子设备的资源，减轻电子设备的运行负担，在获取到当前帧图像后，电子设备便可以利用图像识别算法对当前帧图像进行检测，判断当前帧图像是否包含目标对象。其中，当判断结果为是时，电子设备可以确定存在用户进入目标防护舱，则在当前时刻，目标防护舱内可能发生异常事件，这样，电子设备便可以继续执行步骤s303。需要说明的是，电子设备可以采用任一能够检测出当前帧图像中是否包含目标对象的图像识别算法执行上述步骤s302，对此，本发明实施...

本实用新型涉及监控技术领域，尤其涉及一种溺水语音关键事件检测系统。背景技术：随着生活水平的提高，游泳运动这一全身性锻炼的体育运动越来越受到人们的欢迎。由于游泳运动在水中进行，在游泳过程中，存在一定的危险性。对于初学者，在游泳过程中，因游泳技术不足导致无法随意呼吸、换气、行动等导致呛水，容易造成溺水事件；对于有经验的游泳者，可能会出现抽筋、碰撞受伤、意识模糊等原因导致溺水事件发生。若无法及时发现溺水的游泳者，极易导致溺水时间过长造成伤亡。为了有效地解决溺水问题，通常在游泳场馆中安装有摄像头。后台工作人员根据摄像头获取到的实时画面，判断是否有人发生溺水。当发现有人溺水时，通知游泳池边的救生...

确定关于目标防护舱的事件检测结果；其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图。可选的，一种具体实现方式中，上述装置还包括：光流图确定模块，用于每获取到一帧图像，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；则在本实现方式中，上述结果确定子模块包括：辅助图像确定单元，用于将至少包含光流图在内的第二类图像确定为辅助图像，第二类图像中各个图像的类型均为：基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的光流图，光...

并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方...

基于光流图检测模型输出的检测结果，确定关于目标防护舱的事件检测结果，可以包括以下步骤g21-g23：步骤g21：将至少包含当前帧图像的类图像确定为辅助图像；步骤g22：将辅助图像输入到预设的场景检测模型中，得到场景检测模型输出的检测结果；步骤g23：将场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合计算，基于融合计算的结果，确定当前时刻，关于目标防护舱的事件检测结果。其中，关于类图像的相关描述内容、场景检测模型的相关描述内容、场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合的融合过程等，可以参见上述的以第二类图像作为辅助图像时的相关描述内容。相对...

得到正常事件以及每种类型的异常事件的概率和。这样，电子设备便可以将概率和值比较高的事件确定为目标防护舱内用户出现的事件的类型，并将该类型作为：关于目标防护舱的事件检测结果。其中，当正常事件的概率和比较高时，电子设备可以确定目标防护舱内未发生异常事件，当某类型异常事件的概率和比较高时，电子设备可以确定目标防护舱内发生该类型异常事件。例如，场景图像检测模型输出的检测结果为：正常事件概率5％，倒地事件概率50％，剧烈运动事件43％，破坏设备事件2％；场景图像检测模型的权重为：，则可以得到乘积为：正常事件概率4％，倒地事件概率40％，剧烈运动事件％，破坏设备事件％；光流图检测模型输出的检测结果...

用于基于当前帧图像，确定待分析图像，其中，待分析图像为：关于目标防护舱及目标对象的图像；结果确定模块640，用于将待分析图像输入到预设的检测模型中，得到关于目标防护舱的事件检测结果；其中，检测模型为：基于各个样本图像和每个样本图像的事件检测结果所训练得到的模型。以上可见，应用本发明实施例提供的方案，实时获取目标防护舱的图像，并判断当前时刻所采集到的当前帧图像是否包括目标对象，由于目标对象为：能够表征用户进入目标防护舱的用户身体部位，则可以基于当前帧图像判断当前时刻是否有用户进入目标防护舱。则当判断结果为是时，便可以基于当前帧图像，确定待分析图像，进而将该待分析图像输入到预设的检测模型中...

便可以得到一个第二样本图像组及样本图像组的事件检测结果。实施例三：上述步骤f2，基于场景图像检测模型输出的检测结果，确定关于目标防护舱的事件检测结果，可以包括以下步骤f21-f23：步骤f21：将至少包含光流图在内的第二类图像确定为辅助图像，第二类图像中各个图像的类型均为：基于每两帧连续的关于所述目标防护舱且包括所述目标对象的图像获取的光流图，光流图为当前帧图像对应的光流图；步骤f22：将辅助图像输入到预设的光流图检测模型中，得到光流图检测模型输出的检测结果；其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与...