四川量子语音关键事件检测内容

    确定关于目标防护舱的事件检测结果；其中，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。可选的，一种具体实现方式中，上述装置还包括：光流图确定模块，用于每获取到一帧图像，利用该帧图像和该帧图像的前一帧图像，得到该帧图像对应的光流图；则在本实现方式中，上述结果确定子模块包括：辅助图像确定单元，用于将至少包含光流图在内的第二类图像确定为辅助图像，第二类图像中各个图像的类型均为：基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的光流图，光流图为当前帧图像对应的光流图；辅助图像检测单元，用于将辅助图像输入到预设的光流图检测模型中，得到光流图检测模型输出的检测结果；其中，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；结果确定单元。语音关键事件检测的运用多吗？欢迎咨询！四川量子语音关键事件检测内容

    可以获取概率大值的索引所对应的类型即可。本申请实施例通过双向lstm网络或者bert得到句子的向量化语义表示，然后进行span的划分从而得到多个语义片段，然后对每个语义片段进行平均池化得到每个span的表示，使用自注意力机制获取不同span之间的关系从而得到深层的语义表示，后使用两层全连接网络进行分类操作从而确定每个span是否为某一事件的触发词或者是事件主体。本申请实施例公开了一种采用span划分方式，同时抽取事件触发词和事件主体的事件检测方法，至少具有以下优势：1、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。2、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。3、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。本申请还提供了一种事件检测装置1，如图2所示，可以包括处理器11和计算机可读存储介质12，所述计算机可读存储介质12中存储有指令，当所述指令被所述处理器11执行时，实现上述任意一项所述的事件检测方法。本领域普通技术人员可以理解。广州信息化语音关键事件检测哪里买利用语音关键事件检测技术，我们可以自动提取音频中的情感信息，如愤怒、快乐或悲伤等。

    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，所述对所述向量化语义表示w1进行span划分，得到多个语义片段可以包括：获取设定的span的大宽度max_span_width；根据span的宽度从1到max_span_width依次在所述向量化语义表示w1上进行选取，获得多个span的语义表示span_embedding。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。本申请还提供了一种事件检测装置，可以包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任意一项所述的事件检测方法。与相关技术相比，本申请可以包括：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。

    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。语音关键事件检测找鱼亮科技！欢迎来电咨询！

    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。语音关键事件检测和摄像头有联系吗?重庆信息化语音关键事件检测特征

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。四川量子语音关键事件检测内容

    确定当前时刻，关于目标防护舱的事件检测结果。需要说明的是，电子设备可以通过多种方式执行上述步骤f23，对此本发实施例不作具体限定。为了行文清晰，后续对上述步骤f23的具体实现方式进行举例说明。显然，在本实施例三中，采用多种数据来确定检测关于目标防护舱的事件检测结果，使得到的事件检测结果更可靠，且具有说服力，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。其中，由于类图像可能为：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，也可能为：当前帧图像；第二类图像可能为：包括光流图和光流图之前的连续n帧光流图的多张图像，也可能为：光流图。因此，在本实施例三中，待分析图像和辅助图像，以及分别对应的场景图像检测模型和光流图检测模型，也可能存在多种情况。具体的：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：包括光流图和光流图之前的连续n帧光流图的多张图像。四川量子语音关键事件检测内容