福建电子类语音关键事件检测介绍

    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。通过分析语音信号的频率、幅度和持续时间等特征，语音关键事件检测系统能够识别出不同的声音事件。福建电子类语音关键事件检测介绍

    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。福建量子语音关键事件检测标准语音关键事件检测和摄像头有联系吗?

    还可以在检测到发生异常事件时，确定所发生的异常事件的事件类型。即事件检测结果为：关于发生异常事件且所发生异常事件类型的结果。这样，电子设备可以根据检测模型的输出结果，确定目标防护舱内发生哪种异常事件。可选的，一种具体实现方式中：在上述步骤s304中，上述检测模型可以直接输出：所发生的异常事件的类型，这样，电子设备便可以直接确定目标防护舱内用户出现的异常事件的类型，并将该类型作为：关于目标防护舱的事件检测结果。例如，倒地事件；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。可选的，另一种具体实现方式中：在上述步骤s304中，在训练检测模型时，可以预先设定多种类型的异常事件，则上述检测模型可以直接输出：正常事件概率以及每种类型的异常事件的概率。其中，正常事件表示目标防护舱内未发生异常事件。这样，电子设备便可以将概率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。显然，当正常事件概率比较高时，则可以确定目标防护舱内未发生异常事件，当某类型的异常事件的概率比较高时，则可以确定目标防护舱内发生该类型异常事件。例如，正常事件概率5％。

    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。随着深度学习技术的不断发展，语音关键事件检测的准确性和实时性将得到进一步提高。

    在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。在本申请的示例性实施例中，在介绍本申请实施例方案之前，可以首先对本申请实施例涉及的术语进行介绍：1、事件类型及定义：事件类型是指不同的事件所属的类别，比如在金融领域有“实控人股东变更”、“信批违规”、“财务造假”等事件类型。事件类型的定义一般由该领域的**或经验人士来确定。2、触发词：触发词是指能够清楚的表明事件类型的一些词汇，比如“杀”、“袭击”、“见面”等。3、事件主体以及定义：事件主体是指事件发生的主要参与方，也是与该事件联系为紧密的一方，定义为实体。如：“xx科技实际控制人变更yy集团”、“zz集团已经资不抵债将进行破产重整”，这些事件中，“xx科技”即为该事件的主体，类型为“机构”，事件主体可以定义为多种实体类型。语音关键事件检测有哪些关键技术？欢迎咨询！河南新一代语音关键事件检测特征

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。福建电子类语音关键事件检测介绍

    该m+1帧图像便可以组成一个样本图像组，并进一步确定该样本图像组的事件检测结果为：采集该m+1帧图像时，该防护舱内发生的事件类型。具体的，当待分析图像为：当前帧图像，则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。其中，针对至少一个防护舱，在该防护舱中发生各类事件时，采集一帧关于该防护舱的图像，并将采集该图像时，该防护舱内发生的事件类型作为该图像的事件检测结果，这样，便可以得到一个样本图像组及样本图像组的事件检测结果。实施例二：待分析图像为上述第二类图像，即待分析图像为：至少包含光流图的光流图；则上述步骤s303，包括如下步骤g1-g2：步骤g1：将待分析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；步骤g2：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。其中，由于待分析图像为目标防护舱的场景图像对应的光流图，则在本实施例二中，所采用的检测模型即为预设的光流图检测模型，且用于训练该光流图检测模型的各个第二样本图像组中所包括的图像即为光流图。需要说明的是。福建电子类语音关键事件检测介绍