摘要
本申请实施例属于人工智能领域，涉及一种基于双录场景的违规行为检测方法，包括：获取待检测的音视频；将音视频输入双录违规检测模型中的多模态特征提取网络，以提取音视频的多模态特征，多模态特征包括音视频的视频特征和音频特征；将多模态特征输入双录违规检测模型中的音频分离网络，得到音视频中各说话人的音频；基于各说话人的音频，通过多模态特征提取网络在各说话人中确定关键说话人，并确定关键说话人的音频；将多模态特征和关键说话人的音频输入双录违规检测模型中的违规检测网络，以进行旁人指导违规检测，得到音视频的违规检测结果。本申请解决了双录场景中旁人指导违规行为检测准确性较低的问题。
