河南量子语音关键事件检测特征

    m个第二摄像头14还可以采用其他的无线通信协议与控制器12进行无线通信，本实用新型实施例不做赘述。给出了本实用新型实施例中的另一种溺水事件检测系统的结构。在本实用新型实施例中，m个第二摄像头14均可以设置在游泳池水面的上方，从而能够从上向下采集游泳池内的图像。在垂直方向上，任一个第二摄像头14设置的位置与游泳池水面的距离可以大于预设距离。也就是说，在垂直方向上，m个第二摄像头14均设置在n个摄像头11的上方。为能够采集较大视角范围内的图像，m个第二摄像头14均可以设置在游泳池上方的悬梁上，游泳池上方的悬梁可以是游泳场馆的悬梁，也可以是设置在游泳池上方较高处的杆状物。具体的，第二摄像头14的设置位置可以根据实际的游泳池场馆的布局进行设定，在设置第二摄像头14时，第二摄像头14能够在垂直方向上采集游泳池内的图像即可。在具体实施中，m个第二摄像头14可以均设置在游泳池水面上方2～5米处，从而能够从上至下采集游泳池内的图像。在本实用新型实施例中，通过设置摄像头11以及第二摄像头14，可以使得通过摄像头11采集水平方向上的图像，通过第二摄像头14采集垂直方向上的图像。在语音数据中，关键事件检测可以帮助我们定位到重要的音频段，如会议中的关键决策或演讲中的关键观点。河南量子语音关键事件检测特征

    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。江苏电子类语音关键事件检测内容语音关键事件检测技术可以帮助我们在海量的音频数据中快速找到感兴趣的部分，提高信息处理的效率。

    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。

    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。语音关键事件检测技术怎么样？欢迎来电咨询！

    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。智能语音质检都有什么功能?欢迎来电咨询！广西电子类语音关键事件检测内容

语音关键事件检测在日常生活中有用吗？河南量子语音关键事件检测特征

    检测模型为：基于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。在该检测模型的训练过程中，可以将各个样本图像作为待训练模型的输入，将各个样本图像的事件检测结果作为待训练模型的输出。这样，在训练过程中，待训练模型可以学习各个样本图像中的图像特征，输出各个样本图像的事件检测结果，逐步建立样本图像的图像特征和事件检测结果的对应关系。这样，经过大量样本图像的学习，便可以得到上述检测模型。而该训练得到的检测模型也就可以用于对基于当前帧图像确定的待分析图像进行检测，输出的事件检测结果，即为关于目标防护舱的事件检测结果。显然，在训练上述检测模型时，所使用的样本图像为关于防护舱的图像。需要强调的是，不同类型和数量的待分析图像，所利用的检测模型也是不同的。为了行为清楚，后续将会对待分析图像与检测模型之间的对应关系进行举例说明。需要说明的是，上述检测模型可以在电子设备中训练得到的，也可以在与电子设备通信连接的其他电子设备中训练得到的，这样，电子设备便可以从该其他电子设备中获得上述检测模型，这都是合理的。此外，在本发明实施例中，电子设备可以检测目标防护舱内是否发生异常事件，则在这种情况下。河南量子语音关键事件检测特征