四川光纤数据语音关键事件检测标准

    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。语音关键事件检测找鱼亮科技！欢迎来电咨询！四川光纤数据语音关键事件检测标准

    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，可以根据设定的span的大宽度max_span_width＝8对步骤s101得到的语义表示w1进行划分。划分方法可以包括：span的宽度从1至max_span_width依次在向量w1上进行选取，得到n个span的语义表示，即span_embedding。s103、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，因每个span的宽度不一样(span_embedding的维度可以为[sw,d1],其中sw取值为1～max_span_width)，因此可以对这n个span的语义表示进行平均池化处理，从而得到这n个span的表示w2，w2的维度可以为[n,d1]。s104、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。在本申请的示例性实施例中，该自注意力机制可以为自注意力加权计算。在本申请的示例性实施例中，可以将步骤s103所得的span的表示w2通过自注意力机制(自注意力加权计算)计算得到新的表示w4。河北语音关键事件检测服务标准在语音识别系统中，语音关键事件检测可以用于提高识别准确性和降低误识别率。

    控制器12分别与n个摄像头11以及m个第二摄像头14通信连接，从而可以获取n个摄像头11实时采集的图像以及m个第二摄像头14实时采集的图像。下面对本实用新型实施例中提供的溺水事件检测系统的工作原理进行说明。由本实用新型上述实施例中可知，控制器12可以接收到n个摄像头11以及m个第二摄像头14实时采集的图像。控制器12可以根据n个摄像头11采集到的图像，从中识别出目标人物，进而获取目标人物在游泳池中的具置。具体的识别目标人物的算法可以参照现有的人脸识别算法，本实用新型实施例不做赘述。在具体实施中，在检测到目标人物之后，控制器12可以对目标人物进行，以实时获取目标人物的图像。在对目标人物进行的过程中，控制器12可以实时获取目标人物相对于游泳池水面的沉浮频率。人物算法以及沉浮频率统计方法均可以采用现有的方法进行。例如，在实际应用中可知，游泳者在游泳时，需要频繁露出水面换气。当游泳者露出水面时，可以视为游泳者浮出水面；当游泳者潜水时，可以视为游泳者沉入水面。因此，控制器12可以根据目标人物的浮出水面的频率和沉入水面的频率，确定目标人物相对于游泳池水面的沉浮频率。在具体实施中，控制器12可以根据多个摄像头11采集到的图像。

    确定关于目标防护舱的事件检测结果；其中，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。可选的，一种具体实现方式中，上述装置包括：光流图确定模块，用于每当获取到一帧图像时，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，上述图像确定模块630包括：第二图像确定子模块，用于将至少包含光流图在内的第二类图像确定为待分析图像，其中，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。可选的，一种具体实现方式中，第二类图像为：包括光流图和光流图之前的连续n帧光流图的多张图像；其中，n为正整数；或，第二类图像为：光流图。可选的，一种具体实现方式中，上述结果确定模块640包括：第二图像检测子模块，用于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；第二结果确定子模块，用于基于光流图检测模型输出的检测结果。语音关键事件检测技术怎么样？欢迎来电咨询！

    这样，电子设备在每获取到一帧图像时，便可以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。进一步的，在本实现方式中，上述步骤s303，基于当前帧图像，确定待分析图像，便可以包括如下步骤e1：步骤e1：将至少包含光流图在内的第二类图像确定为待分析图像，其中，第二类图像中各个图像均为：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。由于电子设备实时获取的关于目标防护舱的图像均为目标图像采集设备所采集的、能够反映目标防护舱的内部空间在每个时刻的真实情况的图像，而光流图是基于这些关于目标防护舱的图像中人物的运动变化情况获得的，因此，电子设备可以将光流图确定为待分析图像。从而，利用待分析图像，确定当前时刻，关于目标防护舱的事件检测结果。其中，为了描述简单，可以将当前帧图像的光流图简称为光流图。其中，由于本发明实施例是对目标防护舱内的用户是否处于正常情况中进行检测，因此，第二类图像中的各个光流图应该是关于目标防护舱中用户运动情况的光流图。进一步的，由于每帧光流图是通过连续两帧图像获取到的，因此，在本实现方式中。语音关键事件检测有哪些关键技术？浙江新一代语音关键事件检测标准

语音关键事件检测在线咨询鱼亮科技！欢迎来电咨询！四川光纤数据语音关键事件检测标准

    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。四川光纤数据语音关键事件检测标准