河南信息化语音关键事件检测特征

    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能够识别音频中的特定声音模式，如掌声、笑声或特定词汇。河南信息化语音关键事件检测特征

    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控制器12。n个摄像头11可以通过有线连接的方式与控制器12通信连接，也可以通过无线连接的方式与控制器12通信连接。在本实用新型实施例中，n个摄像头11均通过无线连接的方式与控制器12连接。当n个摄像头11均通过无线连接的方式与控制器12通信连接时，在n个摄像头11中，可以均设置有相应的无线收发模块，以实现与控制器12的通信。例如，n个摄像头11与控制器12之间采用wifi进行通信，则在n个摄像头11中均设置有wifi收发模块。四川数字语音关键事件检测供应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。

    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，得到当前时刻，关于目标防护舱的事件检测结果。这样，由于检测模型是基于各个样本图像和各个样本图像的事件检测结果所训练得到的模型，因此，检测模型充分学习了样本图像和事件检测结果之间的对应关系。基于此，在本发明实施例中，利用采集到的真实图像来确定待分析图像，利用训练好的检测模型对待分析图像进行检测，便可以提高关于目标防护舱的事件检测结果的准确率。而上述事件检测结果中可以包括目标防护舱内所发生的事件类型，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。需要说明的是，由于电子设备可以实时对目标防护舱内部发生的异常事件进行检测，则在上述本发明实施例提供的一种事件检测方法中，电子设备对实时获取的每一关于目标防护舱的图像后，判断该图像是否包括目标对象，并在判断结果为是时，执行后续步骤s303-s304。然而，可以理解的，在某些时刻。

    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。通过结合语音关键事件检测和自然语言处理技术，我们可以实现更加智能的语音助手和智能客服系统。

    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。语音关键事件检测在日常生活中有用吗？欢迎咨询！河南信息化语音关键事件检测特征

语音关键事件检测在线咨询鱼亮科技！河南信息化语音关键事件检测特征

    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测结果为：正常事件概率以及每种类型的异常事件的概率时，电子设备可以根据预设的场景图像检测模型的权重，计算场景图像检测模型输出的正常事件概率以及每种类型的异常事件的概率分别与该权重的乘积，作为正常事件以及每种类型的异常事件的乘积；并根据预设的光流图检测模型的权重，计算光路途检测模型输出的正常事件概率以及每种类型的异常事件的概率分别与该权重的乘积，作为正常事件以及每种类型的异常事件的第二乘积。进而，计算乘积和第二乘积的和值。河南信息化语音关键事件检测特征