云南新一代语音关键事件检测介绍

    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。语音关键事件检测主要对哪些领域有大作用？云南新一代语音关键事件检测介绍

    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。云南新一代语音关键事件检测介绍语音关键事件检测是什么？

    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。

    本发明实施例提供的一种事件检测方法可以引用于任一能够利用模型进行图像检测的电子设备，例如，平板电脑、笔记本电脑、台式电脑等，这都是合理的。为了描述方便，以下简称电子设备。需要说明的是，当前存在多台投入使用的防护舱，而针对每台防护舱都可以采用本发明实施例提供的一种事件检测方法来对关于该防护舱的事件进行检测。其中，每台电子设备可以只针对一台防护舱，检测关于该防护舱的事件；也可以针对多台防护舱，分别检测关于该多台防护舱的事件。这都是合理的。具体的，当一台电子设备针对多台防护舱，分别检测关于该多台防护舱的事件时，可以为每台防护舱添加标签，进而，确定的每台防护舱对应的待分析图像中也会携带有该防护舱的标签。这样，电子设备便可以区分每台防护舱对应的待分析图像，进而，确定关于每台防护舱的事件检测结果。其中，每台防护舱都是该电子设备对应的目标防护舱。而针对每台防护舱，电子设备均采用本发明实施例提供的事件检测方法对关于该防护舱的事件进行检测。为了便于理解，图3所示的流程图，便是从电子设备对关于一台目标防护舱的事件进行检测的角度，对本发明实施例的一种事件检测方法进行说明。如图3所示。语音关键事件检测受哪些因素影响？

    并为所得到的截图添加标签，其中，标签包括：采集当前帧图像的采集时间和所发生异常事件类型对应的类型标签。可选的，一种具体实现方式中，上述装置还包括：视频标记模块，用于当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时，在关于目标防护舱的监控视频中，为当前帧图像添加第二标签，其中，第二标签包括：所发生异常事件类型对应的类型标签。相应于上述本发明实例提供的一种事件检测方法，本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，存储器703，用于存放计算机程序；处理器701，用于执行存储器703上所存放的程序时，实现上述本发明实施例提供的一种事件检测方法中的任一方法步骤。上述电子设备提到的通信总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中用一条粗线表示，但并不表示有一根总线或一种类型的总线。语音关键事件检测是高科技吗？云南新一代语音关键事件检测介绍

语音关键事件检测的优缺点？云南新一代语音关键事件检测介绍

    实施例一：待分析图像为上述类图像，即待分析图像为至少包含当前帧图像的目标防护舱的图像：则上述步骤s304，包括如下步骤f1-f2：步骤f1：将待分析图像输入到预设的场景图像检测模型中，得到场景图像检测模型输出的检测结果；步骤f2：基于场景图像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，则在本实施例一中，所采用的检测模型即为预设的场景图像检测模型，且用于训练该场景图像检测模型的各个样本图像组中所包括的图像可以称为场景图像。需要说明的是，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的图像与待分析图像的图像数量相同，各个样本图像组中的图像为：所采集到的关于防护舱的图像。具体的，当待分析图像为：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，则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。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m+1帧关于该防护舱的图像，这样。云南新一代语音关键事件检测介绍