江苏移动语音关键事件检测

    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。语音关键事件检测主要是指哪些事件？江苏移动语音关键事件检测

    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。江西语音关键事件检测标准语音关键事件检测的不足之处。

    倒地事件概率75％，剧烈运动事件15％，破坏设备事件5％；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。可以理解的，对防护舱内发生的异常事件进行检测的目的之一是保证监控人员能够及时发现各类异常事件，保证防护舱内的用户的人身和财产安全，因此，可以实时对目标防护舱内发生的事件进行检测。具体的，在本发明实施例中，电子设备是实时获取当前帧图像的，进而，便可以继续实时判断该当前帧图像是否包括目标对象时，并在判断结果为是时，实时对目标防护舱内发生的事件进行检测，得到在采集当前帧图像的当前时刻，关于目标防护舱的事件检测结果。即电子设备可以实现对关于目标防护舱的事件检测结果的实时检测，其中，在这种情况下，上述所确定的关于目标防护舱的事件检测结果均为：当前时刻，关于目标防护舱的事件检测结果。从而，可以及时发现目标防护舱内出现的各类异常事件。进一步的，在发现目标防护舱内出现的各类异常事件后，为了保证监控人员能够及时对异常事件该异常事件作出反应，采取有针对性的应对措施。则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。

    缺点在于：首先处理繁琐，其次这些工具在处理的过程中本身具有一定的误差，因此在后续建模分析的过程中会存在误差累积的问题。3、基于序列标注的一系列模型很难解决事件主体存在交叉的情况，比如“北京的法院”为一个事件主体(机构)，但是“北京”本身也是一种主体/实体(地名)。技术实现要素：本申请提供了一种事件检测方法和装置，能够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操作简单，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；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。本申请提供了一种事件检测方法，所述方法可以包括：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；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。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。语音关键事件检测的好处有哪些？

    确定当前时刻，关于目标防护舱的事件检测结果。需要说明的是，电子设备可以通过多种方式执行上述步骤f23，对此本发实施例不作具体限定。为了行文清晰，后续对上述步骤f23的具体实现方式进行举例说明。显然，在本实施例三中，采用多种数据来确定检测关于目标防护舱的事件检测结果，使得到的事件检测结果更可靠，且具有说服力，从而可以提高对防护舱内用户出现异常事件的检测准确率。其中，由于类图像可能为：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，也可能为：当前帧图像；第二类图像可能为：包括光流图和光流图之前的连续n帧光流图的多张图像，也可能为：光流图。因此，在本实施例三中，待分析图像和辅助图像，以及分别对应的场景图像检测模型和光流图检测模型，也可能存在多种情况。具体的：种情况：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；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；辅助图像为：包括光流图和光流图之前的连续n帧光流图的多张图像。语音关键事件检测的稳定性怎么样？河南光纤数据语音关键事件检测供应

语音关键事件检测运用成熟度如何？江苏移动语音关键事件检测

    电子设备便可以基于该当前帧图像，确定待分析图像。由于是对目标防护舱内发生的事件进行检测，因此，也就是检测目标防护舱内的用户是否处于正常情况中。这样，电子设备所确定的待分析图像便可以为：关于目标防护舱内的用户的图像，进一步的，目标防护舱内的用户通过当前帧图像中的目标对象表征。因此，电子设备所确定的待分析图像即为：关于目标防护舱及目标对象的图像。例如，包括目标防护舱内部情况及目标对象的图像。需要说明的是，电子设备可以通过多种方式基于当前帧图像，确定待分析图像，对此，本发明实施例不做具体限定。可选的，一种具体实现方式中，上述步骤s303，可以为：将至少包含当前帧图像的类图像确定为待分析图像，其中，类图像中各图像均为关于目标防护舱，且包括目标对象的图像。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，并且，由于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，电子设备可以将这些关于目标防护舱，且包括目标对象的图像确定为待分析图像。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。具体的。江苏移动语音关键事件检测

深圳鱼亮科技有限公司依托可靠的品质，旗下品牌Bothlent以高质量的服务获得广大受众的青睐。业务涵盖了智能家居，语音识别算法，机器人交互系统，降噪等诸多领域，尤其智能家居，语音识别算法，机器人交互系统，降噪中具有强劲优势，完成了一大批具特色和时代特征的通信产品项目；同时在设计原创、科技创新、标准规范等方面推动行业发展。同时，企业针对用户，在智能家居，语音识别算法，机器人交互系统，降噪等几大领域，提供更多、更丰富的通信产品产品，进一步为全国更多单位和企业提供更具针对性的通信产品服务。公司坐落于龙华街道清华社区建设东路青年创业园B栋3层12号，业务覆盖于全国多个省市和地区。持续多年业务创收，进一步为当地经济、社会协调发展做出了贡献。