江西无限语音关键事件检测标准

    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。在本申请的示例性实施例中，假设触发词的类型(可以称为事件类型)数为n_event＝10，即x＝10，事件主体的类型(可以称为实体类型)数为n_entity＝20，即y＝20，则一共有10+20＝30种类型。在本申请的示例性实施例中，可以首先对数据进行span的划分。以单个句子为例，假如设定span的大宽度max_span_width＝8，则可以得到多个span，需要对每个span进行标记，即确定每个span是否是触发词、事件主体还是其他类型(other类型)。在进行分类时，一共有30种类型，加上other类型一共31种。语音关键事件检测该如何使用？江西无限语音关键事件检测标准

    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。通过该实施例方案，能够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；在数据处理和建模的过程中不使用现有的自然语言处理工具，使得操作简单，也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，同时也更加符合真实应用场景；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。本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。附图说明附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。图1为本申请实施例的事件检测方法流程图；图2为本申请实施例的事件检测装置组成框图。具体实施方式本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的。海南移动语音关键事件检测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。

    每种类型与某一数字对应，以便于计算机的处理，则可以分别标记为[0,1,2,3,4,...,29,30]。在本申请的示例性实施例中，因计算机无法直接处理中文，因此可以将句子(语句)中每一个单词转化为数字的映射。即，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，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。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，假设语料中一共有20000个不同的字符(汉字和/或单词，可以包括其他常用符号)，每个字符可以随机初始化为一个300维的向量，则可以得到一个维度为[20000。

    所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。在当前检测用户在防护舱内出现倒地事件的相关方案中，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。为了解决上述相关方案中存在的问题，本发明实施例提供了一种事件检测方法。可以理解的，由于用户在防护舱内进行各类金融服务，因此，为了保证用户的人身安全和财产安全，会通过摄像头对防护舱内的情况进行监控。显然，在本发明实施例中，这些摄像头在对防护舱内的情况进行监控时，所采集到的实时监控画面即为本发明实施例中的关于防护舱的图像。这样，随着摄像头不断采集到防护舱内的监控画面，也就可以实时获得关于防护舱的图像。语音关键事件检测是什么？

    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为：正常事件7％，倒地事件概率40％，剧烈运动事件48％，破坏设备事件5％；光流图检测饿模型的权重为：，则可以得到第二乘积为：正常事件％，倒地事件概率8％，剧烈运动事件％，破坏设备事件1％；乘积和乘积的和值为：正常事件％，倒地事件概率48％，剧烈运动事件44％，破坏设备事件％；则电子设备可以确定关于目标防护舱的事件监测结果为：目标防护舱内用户出现倒地事件。需要说明的是，与上述实施例三类似的，上述步骤g2。语音关键事件检测主要是用在哪里的？江西无限语音关键事件检测标准

语音关键事件检测主要应用在哪些领域？江西无限语音关键事件检测标准

    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。相对应上述本发明实施例提供的一种事件检测方法，本发明实施例还提供了一种事件检测装置。图6为本发明实施例提供的一种事件检测装置的结构示意图，如图6所示，该装置可以包括如下模块：图像获取模块610，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620，用于检测当前帧图像是否包含目标对象，其中，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；如果是，触发图像确定模块；图像确定模块630。江西无限语音关键事件检测标准

深圳鱼亮科技有限公司是一家集研发、制造、销售为一体的****，公司位于龙华街道清华社区建设东路青年创业园B栋3层12号，成立于2017-11-03。公司秉承着技术研发、客户优先的原则，为国内智能家居，语音识别算法，机器人交互系统，降噪的产品发展添砖加瓦。公司主要经营智能家居，语音识别算法，机器人交互系统，降噪等产品，产品质量可靠，均通过通信产品行业检测，严格按照行业标准执行。目前产品已经应用与全国30多个省、市、自治区。深圳鱼亮科技有限公司每年将部分收入投入到智能家居，语音识别算法，机器人交互系统，降噪产品开发工作中，也为公司的技术创新和人材培养起到了很好的推动作用。公司在长期的生产运营中形成了一套完善的科技激励政策，以激励在技术研发、产品改进等。深圳鱼亮科技有限公司严格规范智能家居，语音识别算法，机器人交互系统，降噪产品管理流程，确保公司产品质量的可控可靠。公司拥有销售/售后服务团队，分工明细，服务贴心，为广大用户提供满意的服务。