四川光纤数据语音关键事件检测设计

    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；所述图像确定模块，用于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：关于所述目标防护舱及所述目标对象的图像；结果确定模块，用于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。第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口。语音关键事件检测就找鱼亮科技，服务体系完善！四川光纤数据语音关键事件检测设计

    便可以极大地减少监控人员在查看视频时所耗费的时间。另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c2：步骤c2：在关于目标防护舱的监控视频中，为当前帧图像添加第二标签，其中，第二标签包括：所发生异常事件类型对应的类型标签。当用于采集关于目标防护舱的图像的图像采集设备和用于对目标防护舱进行监控的摄像头为同一设备时，电子设备实时获取的关于目标防护舱的图像即为关于目标防护舱的监控视频中的每个视频帧。这样，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，便可以通过第二标签对当前帧图像进行标记，该第二标签中包括：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，在监控视频的进度条上查找该类型标签对应的视频帧的录制时间。进一步的，监控人员便可以根据所查找到的时间，直接调取与该时间对应的监控视频的视频内容。这样，便可以极大地减少监控人员在查看视频时所耗费的时间。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。天津语音关键事件检测介绍语音关键事件检测找鱼亮科技！

    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14的设置位置可以根据实际的游泳池场馆的布局进行设定，在设置第二摄像头14时，第二摄像头14能够在垂直方向上采集游泳池内的图像即可。在具体实施中，m个第二摄像头14可以均设置在游泳池水面上方2～5米处，从而能够从上至下采集游泳池内的图像。在本实用新型实施例中，通过设置摄像头11以及第二摄像头14，可以使得通过摄像头11采集水平方向上的图像，通过第二摄像头14采集垂直方向上的图像。

    在本申请的示例性实施例中，在通过双向lstm网络获得语句的向量化语义表示w1之前，所述方法还可以包括：将语句中的m个字符随机初始化为一个维度为[m，n]的n维向量d，其中，对于从0到m-1的索引id，每个id对应一个不同的字符；对于长度为s的语句，该语句中每一个字符能够在向量d中找到对应的id，从而获得维度为[s，d]的向量。在本申请的示例性实施例中，通过双向lstm网络获得语句的向量化语义表示w1可以包括：将维度为[s，d]的向量输入预设的双向lstm神经网络，将所述双向lstm神经网络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，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，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，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。语音关键事件检测有哪些关键技术？欢迎咨询！

    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。利用语音关键事件检测技术，我们可以实现音频数据的自动分类和标签化，方便后续的检索和分析。江苏新一代语音关键事件检测内容

语音关键事件检测用到了哪些技术？欢迎咨询！四川光纤数据语音关键事件检测设计

    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。四川光纤数据语音关键事件检测设计