异常事件的确定方法、装置、存储介质及电子设备与流程

本申请实施例涉及计算机领域，具体而言，涉及一种异常事件的确定方法、装置、存储介质及电子设备。

背景技术：

1、在相关技术中，利用深度学习网络模型确定对象是否存在异常事件时，通常存在识别不准确的问题。

2、针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。

技术实现思路

1、本申请实施例提供了一种异常事件的确定方法、装置、存储介质及电子设备，以至少解决相关技术中存在的确定异常事件不准确的问题。

2、根据本申请的一个实施例，提供了一种异常事件的确定方法，包括：将获取到的目标视频输入至所述目标网络模型中，得到所述目标网络模型的输出结果；基于所述输出结果确定所述目标视频中包括的待判定对象是否存在异常事件；其中，所述目标网络模型是通过如下方式训练得到的：基于在视频流数据中包括的目标帧输入的选择框对所述视频流数据进行标注，得到标注视频流数据，将所述标注视频流数据中的每帧数据均输入至所述初始网络模型中，得到预测框信息，基于所述预测框信息以及所述标注框信息确定所述目标对象的预测框与所述目标对象的标注框的交并比，基于所述预测框信息以及所述标注框信息确定所述预测框与所述标注框的距离损失以及形状损失，基于所述交并比、所述距离损失以及所述形状损失确定回归参数，基于所述回归参数更新所述初始网络模型。

3、根据本申请的另一个实施例，提供了一种异常事件的确定装置，包括：输入模块，用于将获取到的目标视频输入至所述目标网络模型中，得到所述目标网络模型的输出结果；确定模块，用于基于所述输出结果确定所述目标视频中包括的待判定对象是否存在异常事件；其中，所述目标网络模型是通过如下方式训练得到的：基于在视频流数据中包括的目标帧输入的选择框对所述视频流数据进行标注，得到标注视频流数据，将所述标注视频流数据中的每帧数据均输入至所述初始网络模型中，得到预测框信息，基于所述预测框信息以及所述标注框信息确定所述目标对象的预测框与所述目标对象的标注框的交并比，基于所述预测框信息以及所述标注框信息确定所述预测框与所述标注框的距离损失以及形状损失，基于所述交并比、所述距离损失以及所述形状损失确定回归参数，基于所述回归参数更新所述初始网络模型。

4、根据本申请的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

5、根据本申请的又一个实施例，还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

6、根据本申请的又一个实施例，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。

7、通过本申请，将获取到的目标视频输入至目标网络模型中，得到目标网络模型的输出结果；基于输出结果确定目标视频中包括的待判定对象是否存在异常事件；其中，目标网络模型是通过如下方式训练得到的：基于在视频流数据中包括的目标帧输入的选择框对视频流数据进行标注，得到标注视频流数据，将标注视频流数据中的每帧数据均输入至初始网络模型中，得到预测框信息，基于预测框信息以及标注框信息确定目标对象的预测框与目标对象的标注框的交并比，基于预测框信息以及标注框信息确定预测框与标注框的距离损失以及形状损失，基于交并比、距离损失以及形状损失确定回归参数，基于回归参数更新初始网络模型。由于可以利用训练完成的目标网络模型确定目标视频中包括的待判定对象是否存在异常事件。目标网络模型可以是由标注视频流数据进行训练得到的，可以根据标注视频流数据中的每帧数据输入至初始网络模型中，得到预测框信息，根据预测框信息以及标注框信息确定预测框与标注框的距离损失以及形状损失，根据距离损失以及形状损失确定回归参数，根据回归参数更新初始网络模型，得到目标网络模型。即在更新初始网络模型的模型参数时，可以根据预测框与标注框的距离损失以及形状损失共同更新，提高目标网络模型的精度，因此，可以解决相关技术中存在的确定异常事件不准确的问题，达到提高确定异常事件准确率的效果。

技术特征：

1.一种异常事件的确定方法，其特征在于，

2.根据权利要求1所述的方法，其特征在于，

3.根据权利要求2所述的方法，其特征在于，

4.根据权利要求3所述的方法，其特征在于，

5.根据权利要求3所述的方法，其特征在于，

6.根据权利要求3所述的方法，其特征在于，

7.根据权利要求2所述的方法，其特征在于，

8.根据权利要求7所述的方法，其特征在于，

9.根据权利要求2所述的方法，其特征在于，

10.根据权利要求2所述的方法，其特征在于，

11.根据权利要求1所述的方法，其特征在于，

12.根据权利要求11所述的方法，其特征在于，

13.根据权利要求11所述的方法，其特征在于，

14.根据权利要求11所述的方法，其特征在于，

15.根据权利要求1所述的方法，其特征在于，

16.根据权利要求1所述的方法，其特征在于，

17.根据权利要求16所述的方法，其特征在于，

18.根据权利要求16所述的方法，其特征在于，

19.根据权利要求18所述的方法，其特征在于，

20.根据权利要求16所述的方法，其特征在于，

21.根据权利要求1所述的方法，其特征在于，

22.根据权利要求21所述的方法，其特征在于，

23.根据权利要求1所述的方法，其特征在于，

24.根据权利要求1所述的方法，其特征在于，

25.根据权利要求1所述的方法，其特征在于，

26.根据权利要求1所述的方法，其特征在于，

27.一种异常事件的确定装置，其特征在于，

28.一种计算机可读存储介质，其特征在于，

29.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，

30.一种计算机程序产品，包括计算机程序，其特征在于，

技术总结本申请实施例提供了一种异常事件的确定方法、装置、存储介质及电子设备，其中，该方法包括：将获取到的目标视频输入至目标网络模型中，得到目标网络模型的输出结果；基于输出结果确定目标视频中包括的待判定对象是否存在异常事件；目标网络模型是通过如下方式训练得到的：将标注视频流数据中的每帧数据均输入至初始网络模型中，得到预测框信息，基于预测框信息以及标注框信息确定目标对象的预测框与目标对象的标注框的交并比，基于预测框信息以及标注框信息确定预测框与标注框的距离损失以及形状损失，基于交并比、距离损失以及形状损失确定回归参数，基于回归参数更新初始网络模型。通过本申请，达到提高确定异常事件准确率的效果。技术研发人员：许光远,赵雅倩,史宏志,张亚强,李逍,高飞,陈筱琳受保护的技术使用者：苏州元脑智能科技有限公司技术研发日：技术公布日：2024/7/29