湖南电子类语音关键事件检测内容

    本文涉及事件数据处理技术，尤指一种语音关键事件检测检测方法和装置。背景技术：互联网上每天都会产生大量的新闻数据，描述许多已经发生的事件。但由于事件种类繁多，无法快速而且准确地分辨事件的类型以及事件中的主体。对发生的公共事件或者特定行业内所发生的事件进行区分和主体识别，不仅有助于实时把握事件的发展趋势以及整个行业的发展方向，也可辅助高层决策，降低风险，具有重要的实际应用价值和研究意义。现有进行语音关键事件检测的方法大都辅助使用已有的自然语言处理工具，但是在实际应用中并不能通过这些工具预先处理好。事件的类型往往可以从一些关键词中获取，比如”杀”，“袭击”等，这类词就被称为触发词。因此快速准确地识别出这些触发词就极其重要。现有的语音关键事件检测识别方法：基于图神经网络的模型；[2]基于深度学习、注意力机制、序列标注的模型等。现有方法存在以下缺点：1、现有方法只进行事件类型检测即事件触发词，并没有进行事件主体抽取，任务单一，不具备较强的实际应用价值。2、现有方法大都使用特定的自然语言处理工具，如jieba,ltp,standfordnlp等首先对句子进行分词，建立依存树，然后再将这些特征输入模型。语音关键事件检测算法通常基于机器学习和深度学习技术，通过训练模型来识别不同的声音模式。湖南电子类语音关键事件检测内容

    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，其中，在这种情况下，上述所确定的关于目标防护舱的事件检测结果均为：当前时刻，关于目标防护舱的事件检测结果。从而，可以及时发现目标防护舱内出现的各类异常事件。进一步的，在发现目标防护舱内出现的各类异常事件后，为了保证监控人员能够及时对异常事件该异常事件作出反应，采取有针对性的应对措施。则当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时。福建移动语音关键事件检测哪里买语音关键事件检测的劣处是什么？欢迎咨询！

    监控人员往往需要花费很久的时间才能在监控视频中准确定位到异常事件所对应的视频内容。这样，为了减少监控人员在查看视频时所耗费的时间，当事件检测结果为关于发生异常事件且所发生异常事件类型的结果时，电子设备可以采取多种方式对异常事件所发生的时间进行标记。一种具体实现方式中，上述本发明实施例提供的一种事件检测方法还可以包括如下步骤b1：步骤b1：对当前帧图像进行截图，并为所得到的截图添加标签，其中，标签包括：采集当前帧图像的采集时间和所发生异常事件类型对应的类型标签。当电子设备确定当前时刻目标防护舱内出现的异常事件的类型后，便可以对当前帧图像进行截图，并通过标签对所得到的截图进行标记，该标签中包括：当前时刻的时间信息和当前时刻目标防护舱内出现的异常事件的类型的类型标签。这样，当监控人员需要查看目标防护舱的监控视频中与该异常事件对应的视频内容时，便可以直接通过异常事件的类型标签，确定该事件类型对应的截图的标签，进而，根据该标签中的时间信息，确定该异常事件发生的时间。进一步的，监控人员便可以根据所确定的时间，直接调取与该时间对应的监控视频的视频内容。这样。

    上述步骤s302a可以为：步骤s302b：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，执行上述步骤s303。在本实现方式中，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。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，在本实现方式中，电子设备可以采用任一能够检测出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中是否均包含目标对象的图像识别算法执行上述步骤s302b，对此，本发明实施例不做具体限定。其中，上述预设时长可以为任一时长，例如，2s，5s等，这都是合理的。下面，对电子设备执行上述步骤s302b的具体过程进行说明：电子设备在获取到每帧关于目标防护舱的图像后，判断该图像中是否包含目标对象。进而，在获取该图像的下一帧图像后，判断该下一帧图像中是否包括与前一帧图像相同的目标对象。依次类推。语音关键事件检测找鱼亮科技！欢迎来电咨询！

    实施例一：待分析图像为上述类图像，即待分析图像为至少包含当前帧图像的目标防护舱的图像：则上述步骤s304，包括如下步骤f1-f2：步骤f1：将待分析图像输入到预设的场景图像检测模型中，得到场景图像检测模型输出的检测结果；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；其中，由于待分析图像为目标防护舱的场景图像，则在本实施例一中，所采用的检测模型即为预设的场景图像检测模型，且用于训练该场景图像检测模型的各个样本图像组中所包括的图像可以称为场景图像。需要说明的是，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的图像与待分析图像的图像数量相同，各个样本图像组中的图像为：所采集到的关于防护舱的图像。具体的，当待分析图像为：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，则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。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m+1帧关于该防护舱的图像，这样。语音关键事件检测发展如何？欢迎来电咨询！海南数字语音关键事件检测服务标准

语音关键事件检测有什么注意事项？欢迎来电咨询！湖南电子类语音关键事件检测内容

    300]的向量d，其中对于索引id从0至19999，每个id对应一个不同的汉字。那么对于一句话(长度为s)中的每一个字符，都可以在d中找到对应的id，从而获取对应的向量，因此可以得到一个维度为[s,300]的向量。然后可以使用双向lstm神经网络得到句子的语义表示向量w1。在本申请的示例性实施例中，通过bert模型获得语句的向量化语义表示w1可以包括：将语句直接输入所述bert模型，将所述bert模型的输出作为语句的向量化语义表示w1。在本申请的示例性实施例中，使用bert模型时，可以将句子直接输入至bert模型，bert模型的输出即可以作为句子的向量化语义表示w1。在本申请的示例性实施例中，所述向量化语义表示w1的维度可以为[s，d1]；其中，当通过双向lstm网络获得语句的向量化语义表示w1时，d1为2*lstm隐层节点数；当通过bert模型获得语句的向量化语义表示w1时，d1＝768。在本申请的示例性实施例中，设以上两种方法得到的语义表示为w1，则,1的维度为[s,d1]，其中s为句子长度；如果使用双向lstm网络获得语句的向量化语义表示w1，则d1为2*lstm隐层节点数，如果使用bert模型获得语句的向量化语义表示w1，则d1＝768。s102、对所述向量化语义表示w1进行span划分，得到多个语义片段。湖南电子类语音关键事件检测内容