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...

便可以得到一个第二样本图像组及样本图像组的事件检测结果。实施例三：上述步骤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，可以包括以下步骤f21-f23：步骤f21：将至少包含光流图在内的第二类图像确定为辅助图像，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所述目标防护舱且包括所述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；步骤f22：将辅助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；其中，光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与...

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...

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...

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...

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...

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...

光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中包括n+1帧光流图。第二种情况：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：光流图；光流图检测模型为：采用各个第二样本图像和每个第二样本图像的事件检测结果所训练得到的模型，且每个第二样本图像为一帧光流图。第三种情况：待分析图像为：当前帧图像；场景图像检测模型为：采用各个样本图像和每个样本图像的事件检测结果所训练得到的...

上述本发明实施例提供的一种事件检测方法还可以包括如下步骤a1-a2：步骤a1：判断目标防护舱当前时刻发生的事件类型是否包括预设类型的事件；如果是，执行步骤a2；步骤a2：生成并发出与预设类型对应的报警信号。当电子设备确定当前时刻目标防护舱内出现的异常事件的类型后，便可以进一步判断该事件类型是否包括预设类型的事件，并在判断结果为时是，生成并发出与预设类型对应的报警信息。例如，当电子设备确定当前时刻目标防护舱内出现的异常事件为用户倒地事件，而预设类型的事件也为用户倒地事件时，电子设备便可以判断得到：目标目标防护舱当前时刻发生的事件类型包括预设类型的事件。进而，电子设备便可以生成和发出与用户...

红外线发射器所发射的红外线将被用户身体发射到红外接收器。而当用户倒地后，红外线接收器因为接收不到红外线的反射信号而判断用户出现倒地事件，并发出警报，以使外界救护人员能够及时地进入对用户进行救援。然而，在上述相关方案中，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语音关键事件检测防护舱，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...

在本实现方式中，类图像为：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，其中，m为正整数；或者，类图像为：当前帧图像。也就是说，在本实现方式中，电子设备可以将所获得的当前帧图像确定为待分析图像；此外，在获取到当前帧图像，并判断该当前帧图像包括目标对象后，电子设备可以判断所获取的关于目标防护舱的当前帧图像之前的连续m帧图像是否均包括目标对象，这样，便可以将当前帧图像和该m帧图像确定为待分析图像。这样，用于确定关于目标防护舱的事件检测结果的待分析图像为多张，可以更充分地反映目标防护舱内部空间的情况，进而提高事件检测的准确率。其中，m可以为任一正整数，例如，5，10等。s304：将待分...

上述本发明实施例提供的一种事件检测方法还可以包括如下步骤a1-a2：步骤a1：判断目标防护舱当前时刻发生的事件类型是否包括预设类型的事件；如果是，执行步骤a2；步骤a2：生成并发出与预设类型对应的报警信号。当电子设备确定当前时刻目标防护舱内出现的异常事件的类型后，便可以进一步判断该事件类型是否包括预设类型的事件，并在判断结果为时是，生成并发出与预设类型对应的报警信息。例如，当电子设备确定当前时刻目标防护舱内出现的异常事件为用户倒地事件，而预设类型的事件也为用户倒地事件时，电子设备便可以判断得到：目标目标防护舱当前时刻发生的事件类型包括预设类型的事件。进而，电子设备便可以生成和发出与用户...

上述步骤s302a可以为：步骤s302b：判断当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含目标对象；如果是，执行上述步骤s303。在本实现方式中，在获取到当前帧图像后，电子设备便可以利用图像识别算法判断当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像，是否均包含目标对象。其中，当判断结果为是时，电子设备可以确定存在用户进入目标防护舱，则在当前时刻，目标防护舱内可能发生异常事件，这样，电子设备便可以继续执行步骤s303。需要说明的是，在本实现方式中，电子设备可以采用任一能够检测出当前帧图像和在当前时刻之前的预设时长内采集到的连续多帧图像中是否均包含目标...

上述本发明实施例提供的一种事件检测方法还可以包括如下步骤a1-a2：步骤a1：判断目标防护舱当前时刻发生的事件类型是否包括预设类型的事件；如果是，执行步骤a2；步骤a2：生成并发出与预设类型对应的报警信号。当电子设备确定当前时刻目标防护舱内出现的异常事件的类型后，便可以进一步判断该事件类型是否包括预设类型的事件，并在判断结果为时是，生成并发出与预设类型对应的报警信息。例如，当电子设备确定当前时刻目标防护舱内出现的异常事件为用户倒地事件，而预设类型的事件也为用户倒地事件时，电子设备便可以判断得到：目标目标防护舱当前时刻发生的事件类型包括预设类型的事件。进而，电子设备便可以生成和发出与用户...

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。具体的，在本实现方式中，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；或者，第二类图像为：光流图。也就是说，在本实现方式中，电子设备可以将所获得的光流图确定为待分析图像；此外，在获取到光流图后，电子设备可以判断光流图之前的连续n帧光流图是否均是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，当判断结果为是时，电子设备也可以将包括光流图和该连续n帧光流图的多张图像确定为待分析图像。这样，用于确定当前时刻，关于目标防护舱的事件检测结果的待分析图像为多张，可...

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...

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...

比如人名、地名、组织机构名、时间等。4、事件检测与主体抽取：事件检测与主体抽取即为同时抽取事件的触发词和事件的主体。5、注意力机制：注意力机制的本质来自于人类视觉注意力机制。当人们发现一个场景经常在某部分出现自己想观察的东西时，人们会进行学习在将来再出现类似场景时把注意力放到该部分上。在计算某一序列表示时，注意力机制可以获得权重和序列位置的相关性。6、自注意力机制：自注意力机制是对注意力机制的改进，减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性，无视词之间的距离直接计算依赖关系，能够学习一个句子的内部结构。7、span：span可认为是“一段区域，每个span具有一定的宽度”...

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...

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...

上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息...

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...

光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中的图像与待分析图像的图像数量相同，各个第二样本图像组中的图像为：关于防护舱的光流图。具体的，当待分析图像为：包括光流图和光流图之前的连续n帧光流图的多张图像，则光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中包括n+1帧光流图。其中，针对至少一个防护舱，在该防护舱中发生各类事件时，获取n+1帧关于该防护舱的光流图，这样，该n+1帧光流图便可以组成一个第二样本图像组，并进一步确定该第二样本图像组的事件检测结果为...

在本实现方式中，类图像为：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，其中，m为正整数；或者，类图像为：当前帧图像。也就是说，在本实现方式中，电子设备可以将所获得的当前帧图像确定为待分析图像；此外，在获取到当前帧图像，并判断该当前帧图像包括目标对象后，电子设备可以判断所获取的关于目标防护舱的当前帧图像之前的连续m帧图像是否均包括目标对象，这样，便可以将当前帧图像和该m帧图像确定为待分析图像。这样，用于确定关于目标防护舱的事件检测结果的待分析图像为多张，可以更充分地反映目标防护舱内部空间的情况，进而提高事件检测的准确率。其中，m可以为任一正整数，例如，5，10等。s304：将待分...

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。具体的，在本实现方式中，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；或者，第二类图像为：光流图。也就是说，在本实现方式中，电子设备可以将所获得的光流图确定为待分析图像；此外，在获取到光流图后，电子设备可以判断光流图之前的连续n帧光流图是否均是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，当判断结果为是时，电子设备也可以将包括光流图和该连续n帧光流图的多张图像确定为待分析图像。这样，用于确定当前时刻，关于目标防护舱的事件检测结果的待分析图像为多张，可...

在本实现方式中，类图像为：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，其中，m为正整数；或者，类图像为：当前帧图像。也就是说，在本实现方式中，电子设备可以将所获得的当前帧图像确定为待分析图像；此外，在获取到当前帧图像，并判断该当前帧图像包括目标对象后，电子设备可以判断所获取的关于目标防护舱的当前帧图像之前的连续m帧图像是否均包括目标对象，这样，便可以将当前帧图像和该m帧图像确定为待分析图像。这样，用于确定关于目标防护舱的事件检测结果的待分析图像为多张，可以更充分地反映目标防护舱内部空间的情况，进而提高事件检测的准确率。其中，m可以为任一正整数，例如，5，10等。s304：将待分...

本实用新型涉及监控技术领域，尤其涉及一种溺水语音关键事件检测系统。背景技术：随着生活水平的提高，游泳运动这一全身性锻炼的体育运动越来越受到人们的欢迎。由于游泳运动在水中进行，在游泳过程中，存在一定的危险性。对于初学者，在游泳过程中，因游泳技术不足导致无法随意呼吸、换气、行动等导致呛水，容易造成溺水事件；对于有经验的游泳者，可能会出现抽筋、碰撞受伤、意识模糊等原因导致溺水事件发生。若无法及时发现溺水的游泳者，极易导致溺水时间过长造成伤亡。为了有效地解决溺水问题，通常在游泳场馆中安装有摄像头。后台工作人员根据摄像头获取到的实时画面，判断是否有人发生溺水。当发现有人溺水时，通知游泳池边的救生...

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...

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...

检测模型为：基于各个样本图像和每个样本图像的事件检测结果所训练得到的模型。在该检测模型的训练过程中，可以将各个样本图像作为待训练模型的输入，将各个样本图像的事件检测结果作为待训练模型的输出。这样，在训练过程中，待训练模型可以学习各个样本图像中的图像特征，输出各个样本图像的事件检测结果，逐步建立样本图像的图像特征和事件检测结果的对应关系。这样，经过大量样本图像的学习，便可以得到上述检测模型。而该训练得到的检测模型也就可以用于对基于当前帧图像确定的待分析图像进行检测，输出的事件检测结果，即为关于目标防护舱的事件检测结果。显然，在训练上述检测模型时，所使用的样本图像为关于防护舱的图像。需要强...