电子设备在上述步骤s304中得到的事件检测结果可以为：关于未发生异常事件的结果，即目标防护舱内未发生异常情况；相对应的，电子设备在上述步骤s304中得到的事件检测结果也可以为：关于发生异常事件的结果，即目标防护舱内发生异常情况。可选的，一种具体实现方式中，上述事件检测结果为：关于未发生异常事件的结果。具体的，当事件检测结果为：关于未发生异常事件的结果时，则在上述步骤s304中，上述检测模型可以直接输出：未发生异常事件，这样，电子设备便可以确定目标防护舱内未发生异常事件。可选的，另一种具体实现方式中，上述事件检测结果为：关于发生异常事件的结果。具体的，当事件检测结果为：关于发生异常事件的结果时，则在上述步骤s304中，上述检测模型可以直接输出：发生异常事件，这样，电子设备便可以确定目标防护舱内发生异常事件。显然，在上述实现方式中，电子设备能够确定目标防护舱内是否发生异常事件，而不能确定当发生异常事件时，该异常事件的事件类型。因此，为了便于监控人员能够有针对性地对防护舱内所发生的异常事件进行处理，降低用户的人身伤害和财产损失，电子设备不但可以检测目标防护舱内是否发生异常事件。语音关键事件检测的好处有哪些？欢迎咨询！江苏电子类语音关键事件检测供应
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。天津信息化语音关键事件检测供应在医学领域，语音关键事件检测可以用于分析患者的语音数据，辅助医生进行疾病诊断。
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。
得到正常事件以及每种类型的异常事件的概率和。这样，电子设备便可以将概率和值比较高的事件确定为目标防护舱内用户出现的事件的类型，并将该类型作为：关于目标防护舱的事件检测结果。其中，当正常事件的概率和比较高时，电子设备可以确定目标防护舱内未发生异常事件，当某类型异常事件的概率和比较高时，电子设备可以确定目标防护舱内发生该类型异常事件。例如，场景图像检测模型输出的检测结果为：正常事件概率5％，倒地事件概率50％，剧烈运动事件43％，破坏设备事件2％；场景图像检测模型的权重为：，则可以得到乘积为：正常事件概率4％，倒地事件概率40％，剧烈运动事件％，破坏设备事件％；光流图检测模型输出的检测结果为：正常事件7％，倒地事件概率40％，剧烈运动事件48％，破坏设备事件5％；光流图检测饿模型的权重为：，则可以得到第二乘积为：正常事件％，倒地事件概率8％，剧烈运动事件％，破坏设备事件1％；乘积和乘积的和值为：正常事件％，倒地事件概率48％，剧烈运动事件44％，破坏设备事件％；则电子设备可以确定关于目标防护舱的事件监测结果为：目标防护舱内用户出现倒地事件。需要说明的是，与上述实施例三类似的，上述步骤g2。语音关键事件检测的运用多吗？欢迎咨询！
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。语音关键事件检测和摄像头有联系吗?欢迎来电咨询！江西信息化语音关键事件检测介绍
语音关键事件检测在日常生活中有用吗？欢迎咨询！江苏电子类语音关键事件检测供应
所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。在当前检测用户在防护舱内出现倒地事件的相关方案中，由于红外线发射器和红外线接收器距离地面有一定的高度，因此，当防护舱内用户出现弯腰等情况，身体低于该高度时，红外接收器因为接收到红外信号而判断用户出现倒地事件，产生误报；当身高不足上述高度的用户进入防护舱时，将无法检测到用户进入防护舱，进而，当该用户发生倒地事件时，产生漏报。且，该方案无法检测出用户出现剧烈运动。基于此，上述相关方案对防护舱内用户出现异常事件的检测准确率较低。为了解决上述相关方案中存在的问题，本发明实施例提供了一种事件检测方法。可以理解的，由于用户在防护舱内进行各类金融服务，因此，为了保证用户的人身安全和财产安全，会通过摄像头对防护舱内的情况进行监控。显然，在本发明实施例中，这些摄像头在对防护舱内的情况进行监控时，所采集到的实时监控画面即为本发明实施例中的关于防护舱的图像。这样，随着摄像头不断采集到防护舱内的监控画面，也就可以实时获得关于防护舱的图像。江苏电子类语音关键事件检测供应