CN106991072B - 在线自学习事件检测模型更新方法及装置 - Google Patents

在线自学习事件检测模型更新方法及装置 Download PDF

Info

Publication number
CN106991072B
CN106991072B CN201610041602.0A CN201610041602A CN106991072B CN 106991072 B CN106991072 B CN 106991072B CN 201610041602 A CN201610041602 A CN 201610041602A CN 106991072 B CN106991072 B CN 106991072B
Authority
CN
China
Prior art keywords
event
detection model
target
alarm
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610041602.0A
Other languages
English (en)
Other versions
CN106991072A (zh
Inventor
方家乐
王鹏
郭斌
陈锡
冯仁光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201610041602.0A priority Critical patent/CN106991072B/zh
Priority to US16/071,467 priority patent/US11030886B2/en
Priority to EP16885945.2A priority patent/EP3407200B1/en
Priority to PCT/CN2016/085530 priority patent/WO2017124683A1/zh
Publication of CN106991072A publication Critical patent/CN106991072A/zh
Application granted granted Critical
Publication of CN106991072B publication Critical patent/CN106991072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9038—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/186—Fuzzy logic; neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • User Interface Of Digital Computer (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Alarm Systems (AREA)

Abstract

本发明实施例提供了一种在线自学习事件检测模型更新方法及装置，所述方法包括：当检测到当前事件检测模型产生的至少一个目标报警事件时，将所述至少一个目标报警事件展示给用户，以使用户基于所展示的目标报警事件发出所述各目标报警事件的事件结果；获得用户基于所展示的目标报警事件发出的各目标报警事件的事件结果；判断用户发出事件结果的目标报警事件是否满足预设更新条件，如果是，根据至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型；使用所述目标事件检测模型替换所述当前事件检测模型。本实施方式能够不断地更新当前事件检测模型，从而提高在线学习的精确性。

Description

在线自学习事件检测模型更新方法及装置
技术领域
本发明涉及数据处理技术领域，特别是涉及一种在线自学习事件检测模型更新方法及装置。
背景技术
在线学习方法可以针对具体的场景，使用预先设定的事件检测模型对输入的待学习数据(如视频、图片等)进行在线学习，以对满足条件的事件进行报警等操作。例如，在交通工具领域，通过对汽车偏离车道的状态进行在线学习，有效区分驾驶员有意识的换道操作而造成的车道偏离状态和驾驶员无意识下使汽车偏离车道行驶的车道偏离状态，并通过学习结果，对第二种车道偏离状态进行预警，输出报警事件。
然而，在实际应用中，使用事件检测模型进行在线学习时，由于场景的复杂性等因素，不可避免产生一定数量的误报事件。而且，由于一直使用同一个事件检测模型，因此，在以后的学习过程中，仍会产生相同的误报事件。因此，现有的在线学习方法受限于事件检测模型的完善程度，一直使用同一个事件检测模型进行在线学习会产生大量的相同的误报事件，如何完善事件检测模型，以提高在线学习的精确性成为一个亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种在线自学习事件检测模型更新方法及装置，以提高在线学习的精确性。具体技术方案如下：
第一方面，本发明提供了一种在线自学习事件检测模型更新方法，应用于电子设备，所述方法包括：
当检测到当前事件检测模型产生的至少一个目标报警事件时，将所述至少一个目标报警事件展示给用户，以使用户基于所展示的目标报警事件发出所述各目标报警事件的事件结果；
获得用户基于所展示的目标报警事件发出的各目标报警事件的事件结果；
判断用户发出事件结果的目标报警事件是否满足预设更新条件，如果是，根据至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型，其中，所述预定的训练样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、以及多个用户确认的历史报警事件及各自对应的事件结果；
使用所述目标事件检测模型替换所述当前事件检测模型。
进一步地，所述使用所述目标事件检测模型替换所述当前事件检测模型之前，所述方法还包括：
获取验证样本，并根据所述验证样本判断所述目标事件检测模型的误报率是否低于所述当前事件检测模型的误报率，其中，所述验证样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、多个或一个用户发出事件结果的历史报警事件及各自对应的事件结果、以及至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果；
若是，继续执行所述使用所述目标事件检测模型替换所述当前事件检测模型。
进一步地，所述将所述至少一个目标报警事件展示给用户，包括：
将所述至少一个目标报警事件发送给用户并展示；或
当接收到用户发送的浏览目标报警事件的请求时，将所述至少一个目标报警事件发送给用户并展示。
进一步地，所述预设更新条件包括：所述用户发出事件结果的目标报警事件的数量达到预设阈值、或所述用户发出事件结果的目标报警事件的发生时间在预设时间范围内。
进一步地，所述目标报警事件的展示形式包括以下至少一种：文字形式、图片形式、音频形式和视频形式。
第二方面，本发明提供了一种在线自学习事件检测模型更新装置，应用于电子设备，所述装置包括：
展示模块，用于当检测到当前事件检测模型产生的至少一个目标报警事件时，将所述至少一个目标报警事件展示给用户，以使用户基于所展示的目标报警事件发出所述各目标报警事件的事件结果；
获得模块，用于获得用户基于所展示的目标报警事件发出的各目标报警事件的事件结果；
执行模块，用于判断用户发出事件结果的目标报警事件是否满足预设更新条件，如果是，根据至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型，其中，所述预定的训练样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、以及多个用户确认的历史报警事件及各自对应的事件结果；
替换模块，用于使用所述目标事件检测模型替换所述当前事件检测模型。
进一步地，所述装置还包括：
判断模块，用于获取验证样本，并根据所述验证样本判断所述目标事件检测模型的误报率是否低于所述当前事件检测模型的误报率，若是，触发所述替换模块；其中，所述验证样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、多个或一个用户发出事件结果的历史报警事件及各自对应的事件结果、以及至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果。
进一步地，所述展示模块具体用于：
将所述至少一个目标报警事件发送给用户并展示；或
当接收到用户发送的浏览目标报警事件的请求时，将所述至少一个目标报警事件发送给用户并展示。
进一步地，所述预设更新条件包括：所述用户发出事件结果的目标报警事件的数量达到预设阈值、或所述用户发出事件结果的目标报警事件的发生时间在预设时间范围内。
进一步地，所述目标报警事件的展示形式包括以下至少一种：文字形式、图片形式、音频形式和视频形式。
本发明实施例提供的在线自学习事件检测模型更新方法及装置，通过将当前事件检测模型产生的目标报警事件展示给用户，以使用户发出各目标报警事件的事件结果，并且，当用户发出事件结果的目标报警事件满足预设更新条件时，可以根据用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型，最后使用目标事件检测模型替换当前事件检测模型，能够不断地更新当前事件检测模型，若当前事件检测模型产生了错误的目标报警事件，基于用户发出该错误报警事件的事件结果训练得到的目标事件检测模型在以后的学习过程中不会产生相同的错误的报警事件，因此，利用更新后的目标事件检测模型进行在线学习，能够提高在线学习的精确性。
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的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
图1为本发明一个实施例提供的在线自学习事件检测模型更新方法的示意性流程图；
图2为本发明另一个实施例提供的在线自学习事件检测模型更新方法的示意性流程图；
图3为本发明一个实施例提供的在线自学习事件检测模型更新装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
在线学习方法可以针对具体的场景，使用预先设定的事件检测模型对输入的待学习数据(如视频、图片等)进行在线学习，以对满足条件的事件进行报警等操作。在实际应用中，使用事件检测模型进行在线学习时，由于场景的复杂性等因素，不可避免产生一定数量的误报事件。而且，由于一直使用同一个事件检测模型，因此，在以后的学习过程中，仍会产生相同的误报事件。因此，现有的在线学习方法受限于事件检测模型的完善程度，一直使用同一个事件检测模型进行在线学习会产生大量的相同的误报事件。因此，需要对事件检测模型进行更新。
具体地，可以训练一个新的目标事件检测模型，来替换线上使用的当前事件检测模型。在训练目标事件检测模型时，首先需要获得训练样本。例如，为了训练得到与场景信息匹配的目标事件检测模型，可以使用当前事件检测模型产生的报警事件作为训练样本，来训练得到目标事件检测模型。并且，由于当前事件检测模型可能会产生误报事件，因此，直接使用当前事件检测模型产生的报警事件作为训练样本来训练得到目标事件检测模型，可能得到的目标事件检测模型还会有较高的误报率。
因此，在本实施例中，可以基于用户反馈的报警事件的事件结果，来训练得到目标事件检测模型。
图1为本发明一个实施例提供的在线自学习事件检测模型更新方法的示意性流程图，该方法可以包括如下步骤：
步骤101，当检测到当前事件检测模型产生的至少一个目标报警事件时，将所述至少一个目标报警事件展示给用户，以使用户基于所展示的目标报警事件发出所述各目标报警事件的事件结果。
在本实施例中，当电子设备检测到当前事件检测模型产生的至少一个目标报警事件时，可以将该至少一个目标报警事件展示给用户，以使用户基于所展示的目标报警事件发出各目标报警事件的事件结果。
例如，在交通工具领域，通过对汽车偏离车道的状态进行在线学习，可以有效区分驾驶员有意识的换道操作而造成的车道偏离状态和驾驶员无意识下使汽车偏离车道行驶的车道偏离状态，并通过学习结果，对第二种车道偏离状态进行预警，产生报警事件，并将产生的报警事件展示给用户。
具体地，将至少一个目标报警事件展示给用户时，电子设备可以主动将至少一个目标报警事件发送给用户并展示，或者，可以由用户向电子设备发送浏览目标报警事件的请求，当电子设备接收到用户发送的浏览目标报警事件的请求时，将至少一个目标报警事件发送给用户并展示。
可选地，电子设备可以选择一种或多种展示形式来展示目标报警事件，上述展示形式例如可以包括：文字形式、图片形式、音频形式和视频形式。在一种实现方式中，电子设备可以根据目标报警事件的不同，选择相应的展示形式。例如，可以为各目标报警事件设置相应的危险等级，当目标报警事件的危险等级较低时，可以选择文字形式或图片形式来展示目标报警事件；当目标报警事件的危险等级较高时，可以选择音频形式或视频形式来展示目标报警事件，以使用户可以较快速的查看目标报警事件。
当电子设备将目标报警事件展示给用户后，用户可以基于所展示的目标报警事件发出该目标报警事件的事件结果，即用户可以确认该报警事件是正确报警事件或错误报警事件。例如，当电子设备向用户展示汽车偏离车道的报警事件时，若用户确认该报警事件为无意识下使汽车偏离车道行驶的车道偏离状态时，可以确认该报警事件为正确报警事件；若用户确认该报警事件为有意识的换道操作时，可以确认该报警事件为错误报警事件。当电子设备向用户展示园区穿越警戒线的报警事件时，若用户确认该报警事件为有人穿越警戒线时，可以确认该报警事件为正确报警事件；若用户确认该报警事件为物体由于被风吹动或其他原因穿越警戒线时，可以确认该报警事件为错误报警事件。
步骤102，获得用户基于所展示的目标报警事件发出的各目标报警事件的事件结果。
当用户发出各目标报警事件的事件结果后，电子设备可以获得用户基于所展示的目标报警事件发出的各目标报警事件的事件结果，以基于各目标报警事件的事件结果，训练得到目标事件检测模型。
步骤103，判断用户发出事件结果的目标报警事件是否满足预设更新条件，如果是，根据至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型。
当电子设备获得各目标报警事件的事件结果后，电子设备可以基于各目标报警事件及各自对应的事件结果，训练得到目标事件检测模型。
可以理解，在实际应用中，若每获得一个或数量较少的用户发出事件结果的报警事件时，电子设备都训练得到一个目标事件检测模型，立即训练得到的目标事件检测模型可能与当前事件检测模型有很小的差别，且这会造成电子设备负载过大。
因此，在本实施例中，电子设备可以首先判断用户发出事件结果的目标报警事件是否满足预设更新条件，若是，则训练目标事件检测模型。上述预设更新条件例如可以包括：用户发出事件结果的目标报警事件的数量达到预设阈值(如1000、1500、2000等)，或用户发出事件结果的目标报警事件的发生时间在预设时间范围内。
当用户发出事件结果的目标报警事件的数量达到预设阈值时，电子设备可以训练得到目标事件检测模型。一些情况下，虽然用户发出事件结果的目标报警事件的数量未达到预设阈值，但是，例如在交通工具领域，由于不同时间段车流量不同，产生的目标报警事件的数量可能有很大的差别，在车流量较少的时间段，可能需要较长的时间才可以获得预设数量的用户发出事件结果的目标报警事件，因此，可以将车流量较少的时间段设置为预设时间范围，当用户发出事件结果的目标报警事件的发生时间在预设时间范围内时，也可以训练得到目标事件检测模型。
在进行目标事件检测模型训练时，为了保证训练得到的目标事件检测模型的适用性，除了根据至少一个用户发出事件结果的目标报警事件及各自对应的事件结果之外，还可以根据预定的训练样本来训练得到目标事件检测模型。
上述预定的训练样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、以及多个用户确认的历史报警事件及各自对应的事件结果。上述预设基准事件可以为用于训练初始事件检测模型的事件。
需要说明的是，在进行目标事件检测模型训练时，使用的至少一个用户发出事件结果的目标报警事件及各自对应的事件结果、多个预设基准事件及各自对应的事件结果、以及多个用户确认的历史报警事件及各自对应的事件结果中，既可以包括事件结果为正确报警事件的事件，也可以包括事件结果为错误报警事件的事件。其中，正确报警事件与错误报警事件的事件数量比值不作限制，例如，正确报警事件与错误报警事件的事件数量比值可以为：1、0.5、0.6等。
需要强调的是，训练目标事件检测模型的具体训练方法与当前事件检测模型所利用的方法可以相同，举例而言：在实际应用中，训练目标事件检测模型的具体训练方法可以为：卷积神经网络训练方法。另外，由于不涉及发明点，本实施例所提及的训练方法的具体训练过程或原理在此不做限定。
步骤104，使用所述目标事件检测模型替换所述当前事件检测模型。
得到目标事件检测模型后，电子设备可以使用目标事件检测模型替换当前事件检测模型，以使用目标事件检测模型来进行在线学习。
本实施例提供的在线自学习事件检测模型更新方法，通过将当前事件检测模型产生的目标报警事件展示给用户，以使用户发出各目标报警事件的事件结果，并且，当用户发出事件结果的目标报警事件满足预设更新条件时，可以根据用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型，最后使用目标事件检测模型替换当前事件检测模型，能够不断地更新当前事件检测模型，若当前事件检测模型产生了错误的目标报警事件，基于用户发出该错误报警事件的事件结果训练得到的目标事件检测模型在以后的学习过程中不会产生相同的错误的报警事件，因此，利用更新后的目标事件检测模型进行在线学习，能够提高在线学习的精确性。
图2为本发明另一个实施例提供的在线自学习事件检测模型更新方法的示意性流程图，该方法可以包括如下步骤：
步骤201，当检测到当前事件检测模型产生的至少一个目标报警事件时，将所述至少一个目标报警事件展示给用户，以使用户基于所展示的目标报警事件发出所述各目标报警事件的事件结果。
步骤202，获得用户基于所展示的目标报警事件发出的各目标报警事件的事件结果。
步骤203，判断用户发出事件结果的目标报警事件是否满足预设更新条件，如果是，根据至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型。
需要说明的是，本实施例中步骤201-步骤203与上述实施例的步骤101-步骤103相似，在此不做赘述。
步骤204，获取验证样本，并根据所述验证样本判断所述目标事件检测模型的误报率是否低于所述当前事件检测模型的误报率。
一般情况下，基于用户发出事件结果的目标报警事件训练得到的目标事件检测模型，与当前事件检测模型相比应该有较低的误报率。但是，一些情况下，由于用户误操作等因素造成的用户发出的事件结果不准确会导致目标事件检测模型的误报率较高。这种情况下，如果使用目标事件检测模型替换当前事件检测模型，会导致在线学习的精确性较低。
因此，在本实施例中，当电子设备训练得到目标事件检测模型后，为了保证在线学习的精确性，可以判断目标事件检测模型的误报率与当前事件检测模型的误报率的大小。
具体地，电子设备可以首先获取验证样本，并根据该验证样本判断目标事件检测模型的误报率是否低于当前事件检测模型的误报率。
在本实施例中，为了保证比较结果的合理性，可以选取多种事件作为验证样本。例如，验证样本可以包括：多个预设基准事件及各自对应的事件结果、多个或一个用户发出事件结果的历史报警事件及各自对应的事件结果、以及至少一个用户发出事件结果的目标报警事件及各自对应的事件结果。
步骤205，当所述目标事件检测模型的误报率低于所述当前事件检测模型的误报率时，使用所述目标事件检测模型替换所述当前事件检测模型。
当目标事件检测模型的误报率低于当前事件检测模型的误报率时，电子设备可以使用目标事件检测模型替换当前事件检测模型，以使用目标事件检测模型来进行在线学习。
本实施例提供的在线自学习事件检测模型更新方法，通过使用验证样本，比较目标事件检测模型与当前事件检测模型的误报率，当目标事件检测模型的误报率低于当前事件检测模型的误报率时，才使用目标事件检测模型替换当前事件检测模型，能够保证当前线上使用的事件检测模型为较优的事件检测模型，因此，可以进一步提高在线学习的精确性。并且，在比较目标事件检测模型与当前事件检测模型的误报率时使用的验证样本可以包括以下至少一项：多个预设基准事件及各自对应的事件结果、多个用户发出事件结果的历史报警事件及各自对应的事件结果、以及至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果，能够保证比较结果的合理性。
需要说明的是，现有的事件检测系统中，事件检测模型可以设置于事件产生器中，以用来输出报警事件。本发明实施例中，可以对当前事件检测模型进行更新，以使用更新后的目标事件检测模型来输出报警事件，提高报警事件输出的准确性。
具体地，在本发明实施例中，在使用更新后的目标事件检测模型替换当前事件检测模型时，可以直接将事件产生器中的当前事件检测模型替换为目标事件检测模型。或者，在一些情况下，由于硬件配置等原因，事件产生器中的当前事件检测模型不可以被目标事件检测模型替换或者替换过程比较复杂，不容易实现，这种情况下，可以在事件产生器之后设置一个事件过滤器，并且可以同时将当前事件检测模型设置于事件过滤器中，当训练得到目标事件检测模型后，可以将事件过滤器中的当前事件检测模型替换为目标事件检测模型。
这种情况下，事件产生器中产生报警事件后，该报警事件会经过事件过滤器，由事件过滤器中的事件检测模型对该报警事件进行再次检测，从而输出最终的报警事件。由于事件过滤器中的事件检测模型为使用本发明实施例提供的在线自学习事件检测模型更新方法更新后的目标事件检测模型，因此，利用事件过滤器输出的报警事件作为最终的报警事件，能够提高报警事件输出的准确性。
图3为本发明一个实施例提供的在线自学习事件检测模型更新装置的结构示意图，所述在线自学习事件检测模型更新装置，应用于电子设备，可以包括：
展示模块310，用于当检测到当前事件检测模型产生的至少一个目标报警事件时，将所述至少一个目标报警事件展示给用户，以使用户基于所展示的目标报警事件发出所述各目标报警事件的事件结果；
获得模块320，用于获得用户基于所展示的目标报警事件发出的各目标报警事件的事件结果；
执行模块330，用于判断用户发出事件结果的目标报警事件是否满足预设更新条件，如果是，根据至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型，其中，所述预定的训练样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、以及多个用户确认的历史报警事件及各自对应的事件结果；
替换模块340，用于使用所述目标事件检测模型替换所述当前事件检测模型。
进一步地，所述展示模块310具体用于：将所述至少一个目标报警事件发送给用户并展示；或当接收到用户发送的浏览目标报警事件的请求时，将所述至少一个目标报警事件发送给用户并展示。
进一步地，所述预设更新条件包括：所述用户发出事件结果的目标报警事件的数量达到预设阈值、或所述用户发出事件结果的目标报警事件的发生时间在预设时间范围内。
进一步地，所述目标报警事件的展示形式包括以下至少一种：文字形式、图片形式、音频形式和视频形式。
在本实施例的一个可选实现方式中，所述装置还包括：
判断模块350，用于获取验证样本，并根据所述验证样本判断所述目标事件检测模型的误报率是否低于所述当前事件检测模型的误报率，若是，触发所述替换模块340；其中，所述验证样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、多个或一个用户发出事件结果的历史报警事件及各自对应的事件结果、以及至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果。
本实施例提供的在线自学习事件检测模型更新装置，通过将当前事件检测模型产生的目标报警事件展示给用户，以使用户发出各目标报警事件的事件结果，并且，当用户发出事件结果的目标报警事件满足预设更新条件时，可以根据用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型，最后使用目标事件检测模型替换当前事件检测模型，能够不断地更新当前事件检测模型，若当前事件检测模型产生了错误的目标报警事件，基于用户发出该错误报警事件的事件结果训练得到的目标事件检测模型在以后的学习过程中不会产生相同的错误的报警事件，因此，利用更新后的目标事件检测模型进行在线学习，能够提高在线学习的精确性。
另一方面，通过使用验证样本，比较目标事件检测模型与当前事件检测模型的误报率，当目标事件检测模型的误报率低于当前事件检测模型的误报率时，才使用目标事件检测模型替换当前事件检测模型，能够保证当前线上使用的事件检测模型为较优的事件检测模型，因此，可以进一步提高在线学习的精确性。并且，在比较目标事件检测模型与当前事件检测模型的误报率时使用的验证样本可以包括以下至少一项：多个预设基准事件及各自对应的事件结果、多个用户发出事件结果的历史报警事件及各自对应的事件结果、以及至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果，能够保证比较结果的合理性。
对于系统/装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (6)

1.一种在线自学习事件检测模型更新方法，应用于电子设备，其特征在于，所述方法包括：
当检测到当前事件检测模型产生的至少一个目标报警事件时，将所述至少一个目标报警事件展示给用户，以使用户基于所展示的目标报警事件发出所述各目标报警事件的事件结果；
获得用户基于所展示的目标报警事件发出的各目标报警事件的事件结果；
判断用户发出事件结果的目标报警事件是否满足预设更新条件，如果是，根据至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型，其中，所述预定的训练样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、以及多个用户确认的历史报警事件及各自对应的事件结果，所述事件包括事件结果为正确报警事件的事件和事件结果为错误报警事件的事件；所述预设更新条件包括：所述用户发出事件结果的目标报警事件的数量达到预设阈值、或所述用户发出事件结果的目标报警事件的发生时间在预设时间范围内；
获取验证样本，并根据所述验证样本判断所述目标事件检测模型的误报率是否低于所述当前事件检测模型的误报率，其中，所述验证样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、多个或一个用户发出事件结果的历史报警事件及各自对应的事件结果、以及至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果；
若是，使用所述目标事件检测模型替换所述当前事件检测模型；
所述使用所述目标事件检测模型替换所述当前事件检测模型，包括：
将事件过滤器中的所述当前事件检测模型替换为所述目标事件检测模型；所述事件过滤器用于利用所述事件过滤器中的事件检测模型对事件产生器产生的报警事件进行过滤，所述事件产生器中设置有所述当前事件检测模型，所述事件产生器用于利用所述当前事件检测模型进行事件检测，以产生报警事件。
2.根据权利要求1所述的方法，其特征在于，所述将所述至少一个目标报警事件展示给用户，包括：
将所述至少一个目标报警事件发送给用户并展示；或
当接收到用户发送的浏览目标报警事件的请求时，将所述至少一个目标报警事件发送给用户并展示。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述目标报警事件的展示形式包括以下至少一种：文字形式、图片形式、音频形式和视频形式。
4.一种在线自学习事件检测模型更新装置，应用于电子设备，其特征在于，所述装置包括：
展示模块，用于当检测到当前事件检测模型产生的至少一个目标报警事件时，将所述至少一个目标报警事件展示给用户，以使用户基于所展示的目标报警事件发出所述各目标报警事件的事件结果；
获得模块，用于获得用户基于所展示的目标报警事件发出的各目标报警事件的事件结果；
执行模块，用于判断用户发出事件结果的目标报警事件是否满足预设更新条件，如果是，根据至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果，以及预定的训练样本训练得到目标事件检测模型，其中，所述预定的训练样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、以及多个用户确认的历史报警事件及各自对应的事件结果，所述事件包括事件结果为正确报警事件的事件和事件结果为错误报警事件的事件；所述预设更新条件包括：所述用户发出事件结果的目标报警事件的数量达到预设阈值、或所述用户发出事件结果的目标报警事件的发生时间在预设时间范围内；
判断模块，用于获取验证样本，并根据所述验证样本判断所述目标事件检测模型的误报率是否低于所述当前事件检测模型的误报率，若是，触发替换模块；其中，所述验证样本包括以下至少一项：多个预设基准事件及各自对应的事件结果、多个或一个用户发出事件结果的历史报警事件及各自对应的事件结果、以及至少一个所述用户发出事件结果的目标报警事件及各自对应的事件结果；
替换模块，用于使用所述目标事件检测模型替换所述当前事件检测模型；
所述替换模块，具体用于：
将事件过滤器中的所述当前事件检测模型替换为所述目标事件检测模型；所述事件过滤器用于利用所述事件过滤器中的事件检测模型对事件产生器产生的报警事件进行过滤，所述事件产生器中设置有所述当前事件检测模型，所述事件产生器用于利用所述当前事件检测模型进行事件检测，以产生报警事件。
5.根据权利要求4所述的装置，其特征在于，所述展示模块具体用于：
将所述至少一个目标报警事件发送给用户并展示；或
当接收到用户发送的浏览目标报警事件的请求时，将所述至少一个目标报警事件发送给用户并展示。
6.根据权利要求4-5任一项所述的装置，其特征在于，所述目标报警事件的展示形式包括以下至少一种：文字形式、图片形式、音频形式和视频形式。
CN201610041602.0A 2016-01-21 2016-01-21 在线自学习事件检测模型更新方法及装置 Active CN106991072B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201610041602.0A CN106991072B (zh) 2016-01-21 2016-01-21 在线自学习事件检测模型更新方法及装置
US16/071,467 US11030886B2 (en) 2016-01-21 2016-06-13 Method and device for updating online self-learning event detection model
EP16885945.2A EP3407200B1 (en) 2016-01-21 2016-06-13 Method and device for updating online self-learning event detection model
PCT/CN2016/085530 WO2017124683A1 (zh) 2016-01-21 2016-06-13 在线自学习事件检测模型更新方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610041602.0A CN106991072B (zh) 2016-01-21 2016-01-21 在线自学习事件检测模型更新方法及装置

Publications (2)

Publication Number Publication Date
CN106991072A CN106991072A (zh) 2017-07-28
CN106991072B true CN106991072B (zh) 2022-12-06

Family

ID=59362014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610041602.0A Active CN106991072B (zh) 2016-01-21 2016-01-21 在线自学习事件检测模型更新方法及装置

Country Status (4)

Country Link
US (1) US11030886B2 (zh)
EP (1) EP3407200B1 (zh)
CN (1) CN106991072B (zh)
WO (1) WO2017124683A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108073486B (zh) * 2017-12-28 2022-05-10 新华三大数据技术有限公司 一种硬盘故障的预测方法和装置
CN108377240B (zh) * 2018-02-07 2020-05-15 平安科技（深圳）有限公司 异常接口检测方法、装置、计算机设备和存储介质
CN108491817B (zh) * 2018-03-30 2021-02-26 国信优易数据股份有限公司 一种事件检测模型训练方法、装置以及事件检测方法
CN110737446B (zh) * 2018-07-20 2021-10-12 杭州海康威视数字技术股份有限公司 更新参数的方法和装置
CN109634554B (zh) * 2018-12-18 2023-05-26 三星电子（中国）研发中心 用于输出信息的方法和装置
CN111401563B (zh) * 2018-12-28 2023-11-03 杭州海康威视数字技术股份有限公司 机器学习模型更新方法和装置
CN111382297B (zh) * 2018-12-29 2024-05-17 杭州海康存储科技有限公司 一种用户侧用户数据的上报方法及装置
CN111435364B (zh) * 2019-01-14 2023-04-18 阿里巴巴集团控股有限公司 电子病历质检方法和装置
CN109830091A (zh) * 2019-01-25 2019-05-31 南京北斗城际在线信息股份有限公司北京分公司 一种通过NB-IoT技术实现拍窗挪车的方法
CN111475804B (zh) * 2020-03-05 2023-10-24 杭州未名信科科技有限公司 一种告警预测方法及系统
CN111708561B (zh) * 2020-06-17 2024-01-05 杭州海康消防科技有限公司 算法模型更新系统、方法、装置及电子设备
US11854402B2 (en) * 2020-07-10 2023-12-26 Here Global B.V. Method, apparatus, and system for detecting lane departure events based on probe data and sensor data
CN112637194A (zh) * 2020-12-18 2021-04-09 北京天融信网络安全技术有限公司 安全事件的检测方法、装置、电子设备及存储介质
CN115412422B (zh) * 2022-08-08 2024-02-20 浪潮云信息技术股份公司 一种动态窗口调整系统
CN115378738B (zh) * 2022-10-24 2023-03-24 中孚安全技术有限公司 一种基于分类算法的告警过滤方法、系统及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6990520B2 (en) * 2002-06-12 2006-01-24 Prisa Networks, Inc. System and method for managing computer networks
CN102956032A (zh) * 2011-08-22 2013-03-06 天津市亚安科技股份有限公司 一种目标模板的更新方法
CN104424752A (zh) * 2013-08-20 2015-03-18 径卫视觉科技（上海）有限公司 车辆疲劳驾驶预警方法及系统
CN104504400A (zh) * 2015-01-08 2015-04-08 中国科学院重庆绿色智能技术研究院 一种基于在线行为建模的驾驶员异常行为检测方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030107650A1 (en) * 2001-12-11 2003-06-12 Koninklijke Philips Electronics N.V. Surveillance system with suspicious behavior detection
AU2003278817A1 (en) * 2002-09-20 2004-04-08 Sorensen Associates Inc. Shopping environment analysis system and method with normalization
DE10342528A1 (de) * 2003-09-12 2005-04-14 Robert Bosch Gmbh Verfahren und Vorrichtung zur Fahrerunterstützung
US9036028B2 (en) * 2005-09-02 2015-05-19 Sensormatic Electronics, LLC Object tracking and alerts
US20070220034A1 (en) 2006-03-16 2007-09-20 Microsoft Corporation Automatic training of data mining models
CN101399672B (zh) 2008-10-17 2011-03-02 章毅 一种多神经网络融合的入侵检测方法
US8649594B1 (en) * 2009-06-04 2014-02-11 Agilence, Inc. Active and adaptive intelligent video surveillance system
US20120137367A1 (en) * 2009-11-06 2012-05-31 Cataphora, Inc. Continuous anomaly detection based on behavior modeling and heterogeneous information analysis
EP2588972A4 (en) 2010-07-01 2014-06-11 METHOD AND APPARATUS FOR ADAPTING A CONTEXT MODEL
US20130226655A1 (en) * 2012-02-29 2013-08-29 BVI Networks, Inc. Method and system for statistical analysis of customer movement and integration with other data
CN102601881B (zh) * 2012-03-20 2014-05-28 天津大学 一种橡胶硬度的在线质量监控和预测模型更新的方法
US9135499B2 (en) * 2013-03-05 2015-09-15 Tyco Fire & Security Gmbh Predictive theft notification for the prevention of theft
CN104200396B (zh) 2014-08-26 2017-08-11 燕山大学 一种风力发电机部件故障预警方法
BR112018067363B1 (pt) * 2016-03-01 2022-08-23 James Carey Método e sistema para previsão e rastreamento de roubos
EP4410155A1 (en) * 2016-05-09 2024-08-07 Grabango Co. System and method for computer vision driven applications within an environment
JP6649306B2 (ja) * 2017-03-03 2020-02-19 株式会社東芝 情報処理装置、情報処理方法及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6990520B2 (en) * 2002-06-12 2006-01-24 Prisa Networks, Inc. System and method for managing computer networks
CN102956032A (zh) * 2011-08-22 2013-03-06 天津市亚安科技股份有限公司 一种目标模板的更新方法
CN104424752A (zh) * 2013-08-20 2015-03-18 径卫视觉科技（上海）有限公司 车辆疲劳驾驶预警方法及系统
CN104504400A (zh) * 2015-01-08 2015-04-08 中国科学院重庆绿色智能技术研究院 一种基于在线行为建模的驾驶员异常行为检测方法

Also Published As

Publication number Publication date
WO2017124683A1 (zh) 2017-07-27
EP3407200A4 (en) 2019-01-16
US20210082279A1 (en) 2021-03-18
CN106991072A (zh) 2017-07-28
EP3407200A1 (en) 2018-11-28
EP3407200B1 (en) 2024-04-03
US11030886B2 (en) 2021-06-08

Similar Documents

Publication Publication Date Title
CN106991072B (zh) 在线自学习事件检测模型更新方法及装置
JP5840046B2 (ja) 情報提供装置、情報提供システム、情報提供方法、及びプログラム
CN106559313B (zh) 拼车的方法和服务器
CN106708692B (zh) 建立过滤报警模型的方法和装置以及过滤报警的方法、装置和电子设备
EP2237232A1 (en) Method and means for providing safety related messages to drivers
CN111845763A (zh) 用于在自主驾驶期间确保驾驶员参与度的安全机构
US10437695B2 (en) Fault information providing server and fault information providing method for users of in-vehicle terminals
US20180272965A1 (en) Enhanced vehicle system notification
CN109446094B (zh) 一种卡顿检测方法、装置、电子设备和存储介质
CN111880983A (zh) 一种can总线异常检测方法及装置
CN112257542A (zh) 障碍物感知方法、存储介质及电子设备
CN110689734A (zh) 车辆行驶状况识别方法、装置及电子设备
CN112818939A (zh) 一种行为检测方法、装置及电子设备
CN113205683A (zh) 一种告警数据处理方法、装置、设备及介质
CN108932835A (zh) 基于车联网的车队管理方法及车联网系统
DE112016007095T5 (de) Verfahren und vorrichtung für externe fahrzeugbeleuchtungsverwaltung
CN108986002A (zh) 基于车联网的校车安全监管方法及车联网系统
CN115359658A (zh) 交通事件的检测方法、装置、设备、存储介质及程序产品
CN114419823A (zh) 一种访客管理方法和装置
CN114756455A (zh) 一种业务异常定位方法、装置、电子设备及存储介质
CN114202994A (zh) 一种智能辅助驾驶行为的安全教育系统和一种电子设备
CN115017174A (zh) 乘客信息系统的显示内容监测方法、系统及电子设备
CN113504857A (zh) 一种服务进度信息的展示方法、装置及电子设备
CN113052049A (zh) 基于人工智能工装识别的离岗检测方法和装置
JP2015118432A (ja) 投稿情報管理システム、方法およびプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant