在本申請的示例性實施例中，在通過雙向lstm網絡獲得語句的向量化語義表示w1之前，所述方法還可以包括：將語句中的m個字符隨機初始化為一個維度為[m，n]的n維向量d，其中，對于從0到m-1的索引id，每個id對應一個不同的字符；對于長度為s的語句，該語句中每一個字符能夠在向量d中找到對應的id，從而獲得維度為[s，d]的向量。在本申請的示例性實施例中，通過雙向lstm網絡獲得語句的向量化語義表示w1可以包括：將維度為[s，d]的向量輸入預設的雙向lstm神經網絡，將所述雙向lstm神經網絡的輸出作為語句的向量化語義表示w1。在本申請的示例性實施例中，通過bert模型獲得語句的向量化語義...

第二類圖像中各個圖像均為：基于每兩幀連續的關于目標防護艙且包括目標對象的圖像獲取的光流圖。具體的，在本實現方式中，第二類圖像為：包括光流圖和光流圖之前的連續n幀光流圖的多張圖像；其中，n為正整數；或者，第二類圖像為：光流圖。也就是說，在本實現方式中，電子設備可以將所獲得的光流圖確定為待分析圖像；此外，在獲取到光流圖后，電子設備可以判斷光流圖之前的連續n幀光流圖是否均是基于每兩幀連續的關于目標防護艙且包括目標對象的圖像獲取的，當判斷結果為是時，電子設備也可以將包括光流圖和該連續n幀光流圖的多張圖像確定為待分析圖像。這樣，用于確定當前時刻，關于目標防護艙的事件檢測結果的待分析圖像為多張，可...

本發明實施例提供的一種事件檢測方法，包括如下步驟：s300：實時獲取關于目標防護艙的圖像，并將當前時刻所采集到的圖像作為當前幀圖像；其中，目標防護艙指代的是需要進行事件檢測的防護艙，并不具有任何其他限定意義。目標防護艙所對應的目標圖像采集設備，實時對目標防護艙的內部空間進行圖像采集，并將得到的關于目標防護艙的圖像實時傳輸給的目標防護艙所對應的電子設備。這樣，電子設備便可以實時獲取關于目標防護艙的圖像。其中，可以理解的，關于目標防護艙的圖像可以為目標防護艙內部空間的圖像。也就是說，上述目標圖像采集設備可以在每個時刻采集關于目標防護艙的圖像，進而，電子設備可以在每個時刻獲得在該時刻時，關于...

光流圖檢測模型為：采用各個第二樣本圖像組和每個第二樣本圖像組的事件檢測結果所訓練得到的模型，且每一第二樣本圖像組中的圖像與待分析圖像的圖像數量相同，各個第二樣本圖像組中的圖像為：關于防護艙的光流圖。具體的，當待分析圖像為：包括光流圖和光流圖之前的連續n幀光流圖的多張圖像，則光流圖檢測模型為：采用各個第二樣本圖像組和每個第二樣本圖像組的事件檢測結果所訓練得到的模型，且每一第二樣本圖像組中包括n+1幀光流圖。其中，針對至少一個防護艙，在該防護艙中發生各類事件時，獲取n+1幀關于該防護艙的光流圖，這樣，該n+1幀光流圖便可以組成一個第二樣本圖像組，并進一步確定該第二樣本圖像組的事件檢測結果為...

便可以提高關于目標防護艙的事件檢測結果的準確率。而上述事件檢測結果中可以包括目標語音關鍵事件檢測防護艙內所發生的事件類型，從而可以提高對防護艙內用戶出現異常事件的檢測準確率。附圖說明為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用作簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。為一種防護艙的實物圖；(a)為一種用于實時采集關于防護艙的圖像的圖像采集設備的安裝位置的豎直剖面；(b)為一種用于實時采集關于防護艙的圖像的圖像采集設備的安裝位置的...

控制器12分別與n個攝像頭11以及m個第二攝像頭14通信連接，從而可以獲取n個攝像頭11實時采集的圖像以及m個第二攝像頭14實時采集的圖像。下面對本實用新型實施例中提供的溺水事件檢測系統的工作原理進行說明。由本實用新型上述實施例中可知，控制器12可以接收到n個攝像頭11以及m個第二攝像頭14實時采集的圖像。控制器12可以根據n個攝像頭11采集到的圖像，從中識別出目標人物，進而獲取目標人物在游泳池中的具置。具體的識別目標人物的算法可以參照現有的人臉識別算法，本實用新型實施例不做贅述。在具體實施中，在檢測到目標人物之后，控制器12可以對目標人物進行，以實時獲取目標人物的圖像。在對目標人物進...

光流圖檢測模型為：采用各個第二樣本圖像組和每個第二樣本圖像組的事件檢測結果所訓練得到的模型，且每一第二樣本圖像組中的圖像與待分析圖像的圖像數量相同，各個第二樣本圖像組中的圖像為：關于防護艙的光流圖。具體的，當待分析圖像為：包括光流圖和光流圖之前的連續n幀光流圖的多張圖像，則光流圖檢測模型為：采用各個第二樣本圖像組和每個第二樣本圖像組的事件檢測結果所訓練得到的模型，且每一第二樣本圖像組中包括n+1幀光流圖。其中，針對至少一個防護艙，在該防護艙中發生各類事件時，獲取n+1幀關于該防護艙的光流圖，這樣，該n+1幀光流圖便可以組成一個第二樣本圖像組，并進一步確定該第二樣本圖像組的事件檢測結果為...

電子設備在上述步驟s304中得到的事件檢測結果可以為：關于未發生異常事件的結果，即目標防護艙內未發生異常情況；相對應的，電子設備在上述步驟s304中得到的事件檢測結果也可以為：關于發生異常事件的結果，即目標防護艙內發生異常情況。可選的，一種具體實現方式中，上述事件檢測結果為：關于未發生異常事件的結果。具體的，當事件檢測結果為：關于未發生異常事件的結果時，則在上述步驟s304中，上述檢測模型可以直接輸出：未發生異常事件，這樣，電子設備便可以確定目標防護艙內未發生異常事件。可選的，另一種具體實現方式中，上述事件檢測結果為：關于發生異常事件的結果。具體的，當事件檢測結果為：關于發生異常事件的...

這樣，電子設備在每獲取到一幀圖像時，便可以利用該幀圖像和該幀圖像的前一幀圖像，得到該幀圖像對應的光流圖。進一步的，在本實現方式中，上述步驟s303，基于當前幀圖像，確定待分析圖像，便可以包括如下步驟e1：步驟e1：將至少包含光流圖在內的第二類圖像確定為待分析圖像，其中，第二類圖像中各個圖像均為：基于每兩幀連續的關于目標防護艙且包括目標對象的圖像獲取的光流圖，光流圖為當前幀圖像對應的光流圖。由于電子設備實時獲取的關于目標防護艙的圖像均為目標圖像采集設備所采集的、能夠反映目標防護艙的內部空間在每個時刻的真實情況的圖像，而光流圖是基于這些關于目標防護艙的圖像中人物的運動變化情況獲得的，因此，...

每種類型與某一數字對應，以便于計算機的處理，則可以分別標記為[0,1,2,3,4,...,29,30]。在本申請的示例性實施例中，因計算機無法直接處理中文，因此可以將句子(語句)中每一個單詞轉化為數字的映射。即，獲得語句的向量化語義表示w1。在本申請的示例性實施例中，所述獲得語句的向量化語義表示w1可以包括：通過雙向lstm網絡模型或bert模型獲得語句的向量化語義表示w1。在本申請的示例性實施例中，在通過雙向lstm網絡獲得語句的向量化語義表示w1之前，所述方法還可以包括：將語句中的m個字符隨機初始化為一個維度為[m，n]的n維向量d，其中，對于從0到m-1的索引id，每個id對應一...

也就是說，安裝在防護艙內的用于監控防護艙內情況的攝像頭，可以作為本發明實施例中關于防護艙的圖像的數據來源。這樣，可以通過一個設備實現多種功能，可以極大地節省成本。當然，也可以在防護艙的相關位置上安裝專門用于實時采集關于防護艙的圖像的圖像采集設備。這都是合理的。其中，為了獲得較高的關于目標防護艙的事件檢測結果的準確率，人們希望所獲得的關于防護艙的圖像能夠盡可能的包括防護艙內更多的區域，即人們希望圖像采集設備的拍攝區域能夠盡可能地覆蓋到防護艙內更多的空間。例如，如圖2所示，可以將安裝在防護艙頂部的攝像頭作為本發明實施例中關于防護艙的圖像的數據來源。其中，攝像機的鏡頭可以垂直于艙頂，也可以傾...

確定關于目標防護艙的事件檢測結果；其中，場景圖像檢測模型為：采用各個樣本圖像組和每個樣本圖像組的事件檢測結果所訓練得到的模型，且每一樣本圖像組中的圖像與待分析圖像的圖像數量相同，各個樣本圖像組中的圖像為：所采集到的關于防護艙的圖像。可選的，一種具體實現方式中，上述裝置包括：光流圖確定模塊，用于每當獲取到一幀圖像時，利用該幀圖像和該幀圖像的前一幀圖像，得到該幀圖像對應的光流圖；則在本實現方式中，上述圖像確定模塊630包括：第二圖像確定子模塊，用于將至少包含光流圖在內的第二類圖像確定為待分析圖像，其中，第二類圖像中各個圖像的類型均為：基于每兩幀連續的關于目標防護艙且包括目標對象的圖像獲取的...

光流圖檢測模型為：采用各個第二樣本圖像組和每個第二樣本圖像組的事件檢測結果所訓練得到的模型，且每一第二樣本圖像組中的圖像與待分析圖像的圖像數量相同，各個第二樣本圖像組中的圖像為：關于防護艙的光流圖。具體的，當待分析圖像為：包括光流圖和光流圖之前的連續n幀光流圖的多張圖像，則光流圖檢測模型為：采用各個第二樣本圖像組和每個第二樣本圖像組的事件檢測結果所訓練得到的模型，且每一第二樣本圖像組中包括n+1幀光流圖。其中，針對至少一個防護艙，在該防護艙中發生各類事件時，獲取n+1幀關于該防護艙的光流圖，這樣，該n+1幀光流圖便可以組成一個第二樣本圖像組，并進一步確定該第二樣本圖像組的事件檢測結果為...

便可以極大地減少監控人員在查看視頻時所耗費的時間。另一種具體實現方式中，上述本發明實施例提供的一種事件檢測方法還可以包括如下步驟c2：步驟c2：在關于目標防護艙的監控視頻中，為當前幀圖像添加第二標簽，其中，第二標簽包括：所發生異常事件類型對應的類型標簽。當用于采集關于目標防護艙的圖像的圖像采集設備和用于對目標防護艙進行監控的攝像頭為同一設備時，電子設備實時獲取的關于目標防護艙的圖像即為關于目標防護艙的監控視頻中的每個視頻幀。這樣，當電子設備確定當前時刻目標防護艙內出現的異常事件的類型后，便可以通過第二標簽對當前幀圖像進行標記，該第二標簽中包括：當前時刻目標防護艙內出現的異常事件的類型的...

并為所得到的截圖添加標簽，其中，標簽包括：采集當前幀圖像的采集時間和所發生異常事件類型對應的類型標簽。可選的，一種具體實現方式中，上述裝置還包括：視頻標記模塊，用于當事件檢測結果為關于發生異常事件且所發生異常事件類型的結果時，在關于目標防護艙的監控視頻中，為當前幀圖像添加第二標簽，其中，第二標簽包括：所發生異常事件類型對應的類型標簽。相應于上述本發明實例提供的一種事件檢測方法，本發明實施例還提供了一種電子設備，如圖7所示，包括處理器701、通信接口702、存儲器703和通信總線704，其中，處理器701，通信接口702，存儲器703通過通信總線704完成相互間的通信，存儲器703，用于...

便可以提高關于目標防護艙的事件檢測結果的準確率。而上述事件檢測結果中可以包括目標語音關鍵事件檢測防護艙內所發生的事件類型，從而可以提高對防護艙內用戶出現異常事件的檢測準確率。附圖說明為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用作簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。為一種防護艙的實物圖；(a)為一種用于實時采集關于防護艙的圖像的圖像采集設備的安裝位置的豎直剖面；(b)為一種用于實時采集關于防護艙的圖像的圖像采集設備的安裝位置的...

檢測模型為：基于各個樣本圖像和每個樣本圖像的事件檢測結果所訓練得到的模型。在該檢測模型的訓練過程中，可以將各個樣本圖像作為待訓練模型的輸入，將各個樣本圖像的事件檢測結果作為待訓練模型的輸出。這樣，在訓練過程中，待訓練模型可以學習各個樣本圖像中的圖像特征，輸出各個樣本圖像的事件檢測結果，逐步建立樣本圖像的圖像特征和事件檢測結果的對應關系。這樣，經過大量樣本圖像的學習，便可以得到上述檢測模型。而該訓練得到的檢測模型也就可以用于對基于當前幀圖像確定的待分析圖像進行檢測，輸出的事件檢測結果，即為關于目標防護艙的事件檢測結果。顯然，在訓練上述檢測模型時，所使用的樣本圖像為關于防護艙的圖像。需要強...

監控人員往往需要花費很久的時間才能在監控視頻中準確定位到異常事件所對應的視頻內容。這樣，為了減少監控人員在查看視頻時所耗費的時間，當事件檢測結果為關于發生異常事件且所發生異常事件類型的結果時，電子設備可以采取多種方式對異常事件所發生的時間進行標記。一種具體實現方式中，上述本發明實施例提供的一種事件檢測方法還可以包括如下步驟b1：步驟b1：對當前幀圖像進行截圖，并為所得到的截圖添加標簽，其中，標簽包括：采集當前幀圖像的采集時間和所發生異常事件類型對應的類型標簽。當電子設備確定當前時刻目標防護艙內出現的異常事件的類型后，便可以對當前幀圖像進行截圖，并通過標簽對所得到的截圖進行標記，該標簽中...

用于基于當前幀圖像，確定待分析圖像，其中，待分析圖像為：關于目標防護艙及目標對象的圖像；結果確定模塊640，用于將待分析圖像輸入到預設的檢測模型中，得到關于目標防護艙的事件檢測結果；其中，檢測模型為：基于各個樣本圖像和每個樣本圖像的事件檢測結果所訓練得到的模型。以上可見，應用本發明實施例提供的方案，實時獲取目標防護艙的圖像，并判斷當前時刻所采集到的當前幀圖像是否包括目標對象，由于目標對象為：能夠表征用戶進入目標防護艙的用戶身體部位，則可以基于當前幀圖像判斷當前時刻是否有用戶進入目標防護艙。則當判斷結果為是時，便可以基于當前幀圖像，確定待分析圖像，進而將該待分析圖像輸入到預設的檢測模型中...

便可以得到一個第二樣本圖像組及樣本圖像組的事件檢測結果。實施例三：上述步驟f2，基于場景圖像檢測模型輸出的檢測結果，確定關于目標防護艙的事件檢測結果，可以包括以下步驟f21-f23：步驟f21：將至少包含光流圖在內的第二類圖像確定為輔助圖像，第二類圖像中各個圖像的類型均為：基于每兩幀連續的關于所述目標防護艙且包括所述目標對象的圖像獲取的光流圖，光流圖為當前幀圖像對應的光流圖；步驟f22：將輔助圖像輸入到預設的光流圖檢測模型中，得到光流圖檢測模型輸出的檢測結果；其中，光流圖檢測模型為：采用各個第二樣本圖像組和每個第二樣本圖像組的事件檢測結果所訓練得到的模型，且每一第二樣本圖像組中的圖像與...

在清單中，LayerUI的installUI()方法調用setLayerEventMask()檢測鼠標移動事件，它又調用eventDispatched()方法返回結果。這個方法首先調用()方法確定鼠標移動事件相對于層的坐標位置。接下來這個方法通過檢查它的坐標是否落在圍繞UI中心的一個矩形區域內，檢測鼠標指針是否移到印記文本上方，如果坐標剛好落在這個矩形區域內，印記文本的顏色就變為淡紅色，除此以外，印記文本的顏色就恢復為藍色。顯示了鼠標移到印記文本上方前后的顏色變化。鼠標指針移到文本上方時，重新繪制文本顏色給用戶一個不刺眼的提示小結JLayer對自定義繪制和事件檢測的支持讓你可以改進UI...

上文中所公開方法中的全部或某些步驟、系統、裝置中的功能模塊/單元可以被實施為軟件、固件、硬件及其適當的組合。在硬件實施方式中，在以上描述中提及的功能模塊/單元之間的劃分不一定對應于物理組件的劃分；例如，一個物理組件可以具有多個功能，或者一個功能或步驟可以由若干物理組件合作執行。某些組件或所有組件可以被實施為由處理器，如數字信號處理器或微處理器執行的軟件，或者被實施為硬件，或者被實施為集成電路，如集成電路。這樣的軟件可以分布在計算機可讀介質上，計算機可讀介質可以包括計算機存儲介質(或非暫時性介質)和通信介質(或暫時性介質)。如本領域普通技術人員公知的，術語計算機存儲介質包括在用于存儲信息...

在本申請的示例性實施例中，所述對所述向量化語義表示w1進行span劃分，得到多個語義片段可以包括：獲取設定的span的大寬度max_span_width；根據span的寬度從1到max_span_width依次在所述向量化語義表示w1上進行選取，獲得多個span的語義表示span_embedding。在本申請的示例性實施例中，可以根據設定的span的大寬度max_span_width＝8對步驟s101得到的語義表示w1進行劃分。劃分方法可以包括：span的寬度從1至max_span_width依次在向量w1上進行選取，得到n個span的語義表示，即span_embedding。s103...

用于將場景圖像檢測模型輸出的檢測結果和光流圖檢測模型輸出的檢測結果進行融合計算，基于融合計算的結果，確定關于目標防護艙的事件檢測結果。可選的，一種具體實現方式中，上述結果確定單元包括：乘積計算子單元，用于根據場景圖像檢測模型和光流圖檢測模型的權重，計算場景圖像檢測模型輸出的檢測結果和場景圖像檢測模型的權重的乘積，并計算光流圖檢測模型輸出的檢測結果與光流圖檢測模型的權重的第二乘積；結果確定子單元，用于計算乘積和第二乘積的和值，基于和值，確定關于目標防護艙的事件監測結果。可選的，一種具體實現方式中，事件檢測結果為：關于未發生異常事件的結果，或者，關于發生異常事件且所發生異常事件類型的結果。...

缺點在于：首先處理繁瑣，其次這些工具在處理的過程中本身具有一定的誤差，因此在后續建模分析的過程中會存在誤差累積的問題。3、基于序列標注的一系列模型很難解決事件主體存在交叉的情況，比如“北京的法院”為一個事件主體(機構)，但是“北京”本身也是一種主體/實體(地名)。技術實現要素：本申請提供了一種事件檢測方法和裝置，能夠獲取更加有用的信息，具有較強的實際應用價值；在數據處理和建模的過程中操作簡單，避免了因使用自然語言處理工具而導致的誤差累積的問題；通過劃分span的方式，完美解決了序列標注存在的問題，效率更高，適用性更強。本申請提供了一種事件檢測方法，所述方法可以包括：獲得語句的向量化語義...

這樣，電子設備在每獲取到一幀圖像時，便可以利用該幀圖像和該幀圖像的前一幀圖像，得到該幀圖像對應的光流圖。進一步的，在本實現方式中，上述步驟s303，基于當前幀圖像，確定待分析圖像，便可以包括如下步驟e1：步驟e1：將至少包含光流圖在內的第二類圖像確定為待分析圖像，其中，第二類圖像中各個圖像均為：基于每兩幀連續的關于目標防護艙且包括目標對象的圖像獲取的光流圖，光流圖為當前幀圖像對應的光流圖。由于電子設備實時獲取的關于目標防護艙的圖像均為目標圖像采集設備所采集的、能夠反映目標防護艙的內部空間在每個時刻的真實情況的圖像，而光流圖是基于這些關于目標防護艙的圖像中人物的運動變化情況獲得的，因此，...

使得每一個攝像頭能夠采集到泳池內相同面積的圖像。例如，在游泳池的一側壁上，均勻設置有4個攝像頭11，4個攝像頭11均設置在游泳池水面以上，4個攝像頭11的高度相等，且水平方向上4個攝像頭11等間距排列。給出了本實用新型實施例中的一種攝像頭11安裝位置。圖2中，4個攝像頭依次為21、22、23、24，在水平方向上四個攝像頭等間距排列，且均設置在游泳池壁20上。需要說明的是，在設置多個攝像頭11時，可以獲取所有攝像頭11采集到的圖像，并判斷所有攝像頭11采集到的圖像的總和是否覆蓋了整個游泳池，也即判斷所有攝像頭11采集到的圖像是否存在盲區。若存在盲區，則可以對多個攝像頭11的安裝位置進行調...

通信接口用于上述電子設備與其他設備之間的通信。存儲器可以包括隨機存取存儲器(randomaccessmemory，ram)，也可以包括非易失性存儲器(non-volatilememory，nvm)，例如至少一個磁盤存儲器。可選的，存儲器還可以是至少一個位于遠離前述處理器的存儲裝置。上述的處理器可以是通用處理器，包括處理器(centralprocessingunit，cpu)、網絡處理器(networkprocessor，np)等；還可以是數字信號處理器(digitalsignalprocessing，dsp)、集成電路(applicationspecificintegratedcirc...

在本申請的示例性實施例中，在通過雙向lstm網絡獲得語句的向量化語義表示w1之前，所述方法還可以包括：將語句中的m個字符隨機初始化為一個維度為[m，n]的n維向量d，其中，對于從0到m-1的索引id，每個id對應一個不同的字符；對于長度為s的語句，該語句中每一個字符能夠在向量d中找到對應的id，從而獲得維度為[s，d]的向量。在本申請的示例性實施例中，通過雙向lstm網絡獲得語句的向量化語義表示w1可以包括：將維度為[s，d]的向量輸入預設的雙向lstm神經網絡，將所述雙向lstm神經網絡的輸出作為語句的向量化語義表示w1。在本申請的示例性實施例中，通過bert模型獲得語句的向量化語義...

電子設備可以確定存在用戶進入目標防護艙，則在當前時刻，目標防護艙內可能發生異常事件，這樣，電子設備便可以繼續執行步驟s303。需要說明的是，在本實現方式中，電子設備可以采用任一能夠檢測出當前幀圖像和當前幀圖像之前的連續預設數量幀圖像中是否均包含目標對象的圖像識別算法執行上述步驟s302a，對此，本發明實施例不做具體限定。其中，上述預設數量可以為任一正整數，例如，5，10等，這都是合理的。下面，對電子設備執行上述步驟s302a的具體過程進行說明：電子設備在獲取到每幀關于目標防護艙的圖像后，判斷該圖像中是否包含目標對象。進而，在獲取該圖像的下一幀圖像后，判斷該下一幀圖像中是否包括與前一幀圖...