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。语音关键事件检测的应用步骤是如何的？安徽无限语音关键事件检测特征
便可以提高关于目标防护舱的事件检测结果的准确率。而上述事件检测结果中可以包括目标语音关键事件检测防护舱内所发生的事件类型，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。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。为一种防护舱的实物图；(a)为一种用于实时采集关于防护舱的图像的图像采集设备的安装位置的竖直剖面；(b)为一种用于实时采集关于防护舱的图像的图像采集设备的安装位置的水平剖面示意；为本发明实施例提供的一种事件检测方法的流程；为本发明实施例提供的另一种事件检测方法的流程；为本发明实施例提供的另一种事件检测方法的流程；为本发明实施例提供的一种事件检测装置的结构示意图；为本发明实施例提供的一种电子设备的结构。具体实施方式下面将结合本发明实施例中，对本发明实施例中的技术方案进行清楚、完整地描述。安徽无限语音关键事件检测特征语音关键事件检测主要应用在哪些领域？
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。
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，可以包括以下步骤g21-g23：步骤g21：将至少包含当前帧图像的类图像确定为辅助图像；步骤g22：将辅助图像输入到预设的场景检测模型中，得到场景检测模型输出的检测结果；步骤g23：将场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合计算，基于融合计算的结果，确定当前时刻，关于目标防护舱的事件检测结果。其中，关于类图像的相关描述内容、场景检测模型的相关描述内容、场景图像检测模型输出的检测结果和光流图检测模型输出的检测结果进行融合的融合过程等，可以参见上述的以第二类图像作为辅助图像时的相关描述内容。相对应上述本发明实施例提供的一种事件检测方法，本发明实施例还提供了一种事件检测装置。图6为本发明实施例提供的一种事件检测装置的结构示意图，如图6所示，该装置可以包括如下模块：图像获取模块610，用于实时获取关于目标防护舱的图像，并将当前时刻所采集到的图像作为当前帧图像；图像检测模块620，用于检测当前帧图像是否包含目标对象，其中，目标对象为：能够表征用户进入目标防护舱的用户身体部位；如果是，触发图像确定模块；图像确定模块630。语音关键事件检测的效果如何？
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。语音关键事件检测主要对哪些领域有大作用？安徽无限语音关键事件检测特征
语音关键事件检测的稳定性怎么样？安徽无限语音关键事件检测特征
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。安徽无限语音关键事件检测特征