广州光纤数据语音关键事件检测介绍

    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，本发明实施例不做具体限定。此外，根据实际情况中，根据采集关于目标防护舱的图像的图像采集设备的安装位置，上述目标对象所指示的具体的用户身体部位可以不同。例如，当图像采集设备安装在舱顶时，该目标对象可以是用户的头肩部；当图像采集设备安装在舱壁时，目标对象可以是用户的全身图像。这都是合理的。s303：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。在判断得到当前帧图像中包括目标对象后。语音关键事件检测有什么注意事项？欢迎来电咨询！广州光纤数据语音关键事件检测介绍

    红外线发射器所发射的红外线将被用户身体发射到红外接收器。而当用户倒地后，红外线接收器因为接收不到红外线的反射信号而判断用户出现倒地事件，并发出警报，以使外界救护人员能够及时地进入对用户进行救援。然而，在上述相关方案中，由于红外线发射器和红外线接收器距离地面有一定的高度，因此，当防护舱内用户出现弯腰等情况，身体低于该高度时，红外接收器因为接收到红外信号而判断用户出现倒地事件，产生误报；当身高不足上述高度的用户进入防护舱时，将无法检测到用户进入语音关键事件检测防护舱，进而，当该用户发生倒地事件时，产生漏报。且，该方案无法检测出用户出现剧烈运动。基于此，上述相关方案对防护舱内用户出现异常事件的检测准确率较低。技术实现要素：本发明实施例的目的在于提供一种事件检测、装置及电子设备，以提高对防护舱内用户出现异常事件的检测准确率。具体技术方案如下：方面，本发明实施例提供了一种事件检测方法，所述方法包括：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；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语音关键事件检测防护舱的用户身体部位。广州光纤数据语音关键事件检测介绍语音关键事件检测技术能够识别音频中的特定声音模式，如掌声、笑声或特定词汇。

    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。具体的，当待分析图像为：包括光流图和光流图之前的连续n帧光流图的多张图像，则光流图检测模型为：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包括n+1帧光流图。其中，针对至少一个防护舱，在该防护舱中发生各类事件时，获取n+1帧关于该防护舱的光流图，这样，该n+1帧光流图便可以组成一个第二样本图像组，并进一步确定该第二样本图像组的事件检测结果为：获取该n+1帧光流图时，该防护舱内发生的事件类型。具体的，当待分析图像为：光流图，则光流图检测模型为：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。其中，针对至少一个防护舱，在该防护舱中发生各类事件时，获取一帧关于该防护舱的光流图，并将获取该光流图时，该防护舱内发生的事件类型作为该光流图的事件检测结果，这样。

    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表示w1；对所述向量化语义表示w1进行span划分，得到多个语义片段；对多个语义片段进行平均池化，得到每个span的表示w2；使用自注意力机制对获得的每个span的表示w2进行计算，得到每个span的新的语义表示w3；对所述新的语义表示w3进行span分类，确定每个span是否为一个事件的触发词或事件主体。在本申请的示例性实施例中，所述获得语句的向量化语义表示w1可以包括：通过双向lstm网络模型或bert模型获得语句的向量化语义表示w1。语音关键事件检测发展如何？欢迎来电咨询！

    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包括n+1帧光流图。第二种情况：待分析图像为：当前帧图像和当前帧图像之前的连续m帧图像的多张图像；场景图像检测模型为：采用各个样本图像组和每个样本图像组的事件检测结果所训练得到的模型，且每一样本图像组中包括m+1帧场景图像；辅助图像为：光流图；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。第三种情况：待分析图像为：当前帧图像；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；辅助图像为：包括光流图和光流图之前的连续n帧光流图的多张图像；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包括n+1帧光流图。第四种情况：待分析图像为：当前帧图像；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；辅助图像为：光流图。语音关键事件检测技术可以帮助我们在海量的音频数据中快速找到感兴趣的部分，提高信息处理的效率。电子类语音关键事件检测供应

语音关键事件检测用到了哪些技术？欢迎咨询！广州光纤数据语音关键事件检测介绍

    将w2与w4进行横向拼接得到终的语义表示w3，w3的维度可以为[n,2*d1]。在本申请的示例性实施例中，自注意力机制计算具体可以包括：将w2分别进行多次(如三次)线性变换得到w21、w22、w23,然后可以执行矩阵相乘运算得到w4＝(w22*w23t)*w21，w3＝w2||w4。s105、对所述新的语义表示w3进行span分类，确定每个span是否为一个事件的触发词或事件主体。在本申请的示例性实施例中，所述对所述新的语义表示w3进行span分类可以包括：使用两层全连接神经网络和softmax层对每个span进行分类；其中，在训练阶段，将分类结果与带有标记的span进行误差计算和反向传播。在本申请的示例性实施例中，得到步骤s104的span的表示w3后，可以使用两层全连接神经网络和softmax层对span进行分类。在本申请的示例性实施例中，如果如步骤s101中所述，预先对数据进行了预处理，即预先对数据进行了span分类和标记，则在训练阶段，可以将分类结果与预处理过程所得的带有标记的span进行误差计算和反向传播，并进行参数更新操作完成训练过程。在本申请的示例性实施例中，在预测阶段，根据分类的结果即可得到每个span的类型。softmax的输出是每个span所属对应类型(预处理过程获得的带类型标记的span)的概率。广州光纤数据语音关键事件检测介绍