广州信息化语音关键事件检测供应

    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。语音关键事件检测主要是用在哪里的？广州信息化语音关键事件检测供应

    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。江西新一代语音关键事件检测特征语音关键事件检测该如何使用？

    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。

    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。语音关键事件检测的主要功能。

    上述步骤s302a可以为：步骤s302b：判断当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含目标对象；如果是，执行上述步骤s303。在本实现方式中，在获取到当前帧图像后，电子设备便可以利用图像识别算法判断当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含目标对象。其中，当判断结果为是时，电子设备可以确定存在用户进入目标防护舱，则在当前时刻，目标防护舱内可能发生异常事件，这样，电子设备便可以继续执行步骤s303。需要说明的是，在本实现方式中，电子设备可以采用任一能够检测出当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像中是否均包含目标对象的图像识别算法执行上述步骤s302b，对此，本发明实施例不做具体限定。其中，上述预设时长可以为任一时长，例如，2s，5s等，这都是合理的。下面，对电子设备执行上述步骤s302b的具体过程进行说明：电子设备在获取到每帧关于目标防护舱的图像后，判断该图像中是否包含目标对象。进而，在获取该图像的下一帧图像后，判断该下一帧图像中是否包括与前一帧图像相同的目标对象。依次类推。语音关键事件检测主要是指哪些事件？上海电子类语音关键事件检测内容

语音关键事件检测的设备有哪些？广州信息化语音关键事件检测供应

    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。广州信息化语音关键事件检测供应

深圳鱼亮科技有限公司汇集了大量的优秀人才，集企业奇思，创经济奇迹，一群有梦想有朝气的团队不断在前进的道路上开创新天地，绘画新蓝图，在广东省等地区的通信产品中始终保持良好的信誉，信奉着“争取每一个客户不容易，失去每一个用户很简单”的理念，市场是企业的方向，质量是企业的生命，在公司有效方针的领导下，全体上下，团结一致，共同进退，**协力把各方面工作做得更好，努力开创工作的新局面，公司的新高度，未来深圳鱼亮科技供应和您一起奔向更美好的未来，即使现在有一点小小的成绩，也不足以骄傲，过去的种种都已成为昨日我们只有总结经验，才能继续上路，让我们一起点燃新的希望，放飞新的梦想！