CN104094287A - 用于情境识别的方法、装置以及计算机软件 - Google Patents
用于情境识别的方法、装置以及计算机软件 Download PDFInfo
- Publication number
- CN104094287A CN104094287A CN201180076349.8A CN201180076349A CN104094287A CN 104094287 A CN104094287 A CN 104094287A CN 201180076349 A CN201180076349 A CN 201180076349A CN 104094287 A CN104094287 A CN 104094287A
- Authority
- CN
- China
- Prior art keywords
- result
- likelihood score
- feedback
- computer program
- program code
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 70
- 230000009471 action Effects 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 100
- 230000003044 adaptive effect Effects 0.000 claims description 43
- 230000006978 adaptation Effects 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 37
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000010606 normalization Methods 0.000 description 6
- 230000001413 cellular effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101150116940 AGPS gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
- G06F18/41—Interactive pattern learning with a human teacher
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- 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
- G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Computer Interaction (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
Abstract
各种实施例涉及情境识别。情境的分类通过使用从客户端设备的至少一个传感器接收的特征、以及由训练数据定义的模型参数来执行以输出情境的结果和似然度。向用户示出结果,该用户提供与结果有关的反馈。存储特征、结果、似然度以及反馈,由此使用特征、结果、似然度以及反馈来适配模型参数以获取经适配的模型参数。结果、似然度和反馈还能够用于执行置信度估计以获取置信度值。置信度值接着能够用于执行动作,例如添加新的传感器,添加新的特征,改变设备简档,启动应用。
Description
技术领域
各实施例涉及情境识别,并且尤其涉及模式分类。
背景技术
情境感知计算描述了根据情境来在计算化的设备中适配不同的功能的技术。例如,移动设备的使用情形和环境可以定义应该如何适配某应用的外观和功能性。移动设备能够容易地利用位置、时间以及应用来作为情境数据源,但是,移动设备还可以包含各种传感器以用于提供例如涉及基于由例如加速度计信号定义的移动和动态手势的用户活动的情境信息。
分类是用于情境识别的方法的示例。在分类中,根据未知对象的特征矢量来将未知对象指派到类型。用于将对象分类到某类的准则通过向分类器呈现具有已知类的对象的示例来形成。
在众多实践应用中,使用贝叶斯分类器。分类器通过描述与每个类相关联的特征分布的类分布来表示类。这些类分布经常使用从大的测试对象集合中收集的大的数据集合中计算的特征来训练。以这一方式获取的分布可能一般有作用,但是由于个体差异而对于某些人可能根本不起作用。
能够通过收集来自用户的数据以及数据所属的情境的标记并且接着适配分布以适配该数据来开发考虑用户的个体差异的分类器。在语音识别中,使用最大先验(MAP)和最大似然线性回归(MLLR)。这些方法需要-除了适配数据之外-数据所属类的标记。
基于反馈的另一方法确定从用户接收的反馈信号为正还是为负并且对应地更新类的均值矢量。当反馈为正时,类均值矢量向适配数据移动,并且当反馈为负时,类均值矢量离开适配数据。这样的***不修改类协方差矩阵。
此外,对于利用任意分类技术的现实应用,对于所识别的类除了是最可能的类之外同样是正确的类具有某种置信度测量将是有益的。另外,在现实应用中,约束分类器出错并且当这些错误发生时通知将同样是有益的。
因此,存在对于需要来自用户的最低的反馈以用于适配分类器的分布并且使得能够为分类结果计算置信度值的方案的需求。
发明内容
现在已经提供了一种改进的方法和实现该方法的技术设备,通过它们减轻以上问题。本发明的各种方面包括方法、装置、服务器、客户端以及包括存储在其中的计算机程序的计算机可读介质,其特征在于独立权利要求中记载的内容。本发明的各种实施例在从属权利要求中公开。
根据第一方面,一种方法,包括使用从至少一个传感器接收的特征以及由训练数据定义的模型参数来执行情境的分类以输出情境的结果和似然度(likelihood);示出结果;从用户获取与结果有关的反馈;存储特征、结果、似然度以及反馈;以及使用特征、结果、似然度以及反馈来执行模型参数的适配以获取经适配的模型参数。
根据实施例,分类器为贝叶斯分类器。
根据实施例,适配包括将函数f最小化。
根据实施例,函数f取决于似然度值。
根据实施例,对函数f的评估包括评估对应于相对于阈值的是yes与否no回答的似然度值。
根据实施例,函数f的形式为:
其中A={Lj(yes)|Lj(yes)>χ95}并且
B={Lj(no)|Lj(no)<χ95}并且其中
|A|表示集合A中的项数;
j为当前类的索引;
Lj(no)为对应于具有“否”标签的观测值的似然度值的集合;
N(no)为“否”回答的总数;
Lj(yes)为对应于具有“是”标签的观测值的似然度值的集合;
N(yes)为“是”回答的总数;
所述似然度值Lj被定义为:
并且经适配的类参数从被获取。
根据实施例,方法包括使用无约束的非线性优化方法以用于优化。
根据实施例,方法包括向另一设备传送特征、结果、似然度以及反馈。
根据实施例,方法包括从该另一设备接收经适配的模型参数。
根据实施例,方法包括当函数f达到最小值时停止适配。
根据实施例,方法包括使用结果、似然度以及反馈来执行置信度估计以获取置信度值。
根据实施例,方法包括如果置信度值基本上与用户反馈相匹配则停止适配。
根据实施例,方法包括向用户示出结果。
根据第二方面,一种用于在客户端装置处的置信度测量的方法,包括使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;示出结果;从用户获取与结果有关的反馈;存储结果、似然度以及反馈;使用结果、似然度以及反馈来执行置信度估计以获取置信度值;以及基于置信度值来执行动作。
根据实施例,动作为以下之一:添加新的传感器,添加新的特征,改变设备简档,启动应用。
根据实施例,置信度估计包括估计用户回答时的概率。
根据实施例,置信度估计包括使用似然度和反馈来估计至少一个概率密度函数。
根据实施例,概率密度函数估计通过使用内核估计来执行。
根据实施例,分类器为贝叶斯分类器。
根据实施例,方法进一步包括获取位置数据。
根据实施例,动作包括向另一设备传送位置数据、结果以及置信度值。
根据实施例,方法进一步包括响应于位置数据、结果以及置信度来从其它设备接收请求或服务。
根据实施例,方法进一步包括向用户示出结果。
根据第三方面,一种用于在服务器处的置信度测量的方法,包括接收位置数据和第一置信度值;用位置数据和第一置信度值来更新数据库;接收第二位置数据;从数据库获取对应于第二位置数据的第二置信度值;基于第二置信度值来执行动作,其中动作为以下各项之一:向另一设备传送置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
根据实施例,服务为推荐或广告。
根据第四方面,一种装置,包括处理器、包括有计算机程序代码的存储器,存储器和计算机程序代码被配置成与处理器一起,使得装置至少执行以下各项:使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出情境的结果和似然度;示出结果;从用户获取与结果有关的反馈;存储特征、结果、似然度以及反馈;以及使用特征、结果、似然度以及反馈来执行模型参数的适配以获取经适配的模型参数。
根据实施例,分类器为贝叶斯分类器。
根据实施例,装置进一步包括计算机程序代码,被配置成与处理器一起,使得装置至少执行以下:针对适配将函数f最小化。
根据实施例,函数f取决于似然度值。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:相对于阈值评估对应于是和否回答的似然度值以用于对函数f的评估。
根据实施例,函数f的形式为
其中A={Lj(yes)|Lj(yes)>χ95}并且
B={Lj(no)|Lj(no)<χ95}并且其中
|A|表示集合A中的项数;
j为当前类的索引;
Lj(no)为对应于具有“否”标签的观测值的似然度值的集合;
N(no)为“否”回答的总数;
Lj(yes)为对应于具有“是”标签的观测值的似然度值的集合;
N(yes)为“是”回答的总数;
似然度值Lj定义为:
并且经适配的类参数从被获取。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:使用无约束的非线性优化方法以用于优化。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:向另一设备传送特征、结果、似然度以及反馈。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:从该另一设备接收经适配的模型参数。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:当函数f达到最小值时停止适配。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:使用结果、似然度以及反馈来执行置信度估计以获取置信度值。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:如果置信度值基本上与用户反馈相匹配则停止适配。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:向用户示出结果。
根据第五方面,一种装置,包括处理器、包括有计算机程序代码的存储器,存储器和计算机程序代码被配置成与处理器一起,使得装置至少执行以下各项:使用从至少一个传感器接收的特征以及由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;示出结果;从用户获取与结果有关的反馈;存储结果、似然度以及反馈;使用结果、似然度以及反馈来执行置信度估计以获取置信度值;以及基于置信度值来执行动作。
根据实施例,动作为以下之一:添加新的传感器,添加新的特征,改变设备简档,启动应用。
根据实施例,置信度估计包括估计用户回答是的概率。
根据实施例,置信度估计包括使用似然度和反馈来估计至少一个概率密度函数。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:通过使用内核估计来执行概率密度函数估计。
根据实施例,分类器为贝叶斯分类器。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:获取位置数据。
根据实施例,装置进一步包括计算机程序代码,被配置成以处理器来引起装置执行至少以下:向另一设备传送位置数据、结果以及置信度值。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置执行至少以下:响应于位置数据、结果以及置信度来从该另一设备接收请求或服务。
根据实施例,装置进一步包括计算机程序代码,该计算机程序代码被配置成与处理器一起,使得装置至少执行以下:向用户示出结果。
根据第六方面,一种装置,包括处理器、包括有计算机程序代码的存储器,存储器和计算机程序代码被配置成与处理器一起,使得装置至少执行以下:接收位置数据和第一置信度值;用位置数据和第一置信度值来更新数据库;接收第二位置数据;从数据库获取对应于第二位置数据的第二置信度值;基于第二置信度值来执行动作,其中动作为以下之一:向另一设备传送置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
根据实施例,服务是推荐或广告。
根据第七方面,一种被体现在非瞬态计算机可读介质上的计算机程序,该计算机程序包括指令,该指令当在至少一个处理器上被执行时,使得至少一个装置:使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出情境的结果和似然度;示出结果;从用户获取与结果有关的反馈;存储特征、结果、似然度以及反馈;以及使用特征、结果、似然度以及反馈来执行模型参数的适配以获取经适配的模型参数。
根据第八方面,一种计算机程序,包括指令,该指令当在至少一个处理器上被执行时,使得至少一个装置:使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出情境的结果和似然度;示出结果;从用户获取与结果有关的反馈;存储特征、结果、似然度以及反馈;以及使用特征、结果、似然度以及反馈来执行模型参数的适配以获取经适配的模型参数。
根据第九方面,一种被体现在非瞬态计算机可读介质上的计算机程序,该计算机程序包括指令,该指令当在至少一个处理器上执行时,使得至少一个装置:使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;示出结果;从用户获取与结果有关的反馈;存储结果、似然度、以及反馈;使用结果、似然度以及反馈来执行置信度估计以获取置信度值;以及基于置信度值来执行动作。
根据第十方面,一种计算机程序,包括指令,该指令当在至少一个处理器上被执行时,使得至少一个装置:使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;示出结果;从用户获取与结果有关的反馈;存储结果、似然度以及反馈;使用结果、似然度以及反馈来执行置信度估计以获取置信度值;以及基于置信度值来执行动作。
根据第十一方面,一种被体现在非瞬态计算机可读介质上的计算机程序,该计算机程序包括指令,该指令当在至少一个处理器上执行时,使得至少一个装置:接收位置数据和第一置信度值;用位置数据和第一置信度值来更新数据库;接收第二位置数据;从数据库获取对应于第二位置数据的第二置信度值;基于第二置信度值来执行动作,其中动作为以下各项之一:向另一设备传送置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
根据第十二方面,一种计算机程序,包括指令,该指令当在至少一个处理器上执行时,使得至少一个装置:接收位置数据和第一置信度值;用位置数据和第一置信度值来更新数据库;接收第二位置数据;从数据库获取对应于第二位置数据的第二置信度值;基于第二置信度值来执行动作,其中动作为以下各项之一:向另一设备传送置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
根据第十三方面,一种装置,包括处理装置、包括有计算机程序代码的存储器装置,该装置进一步包括:处理装置,被配置成使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出情境的结果和似然度;显示装置,被配置成示出结果;输入装置,被配置成从用户获取与结果有关的反馈;存储器装置,被配置成存储特征、结果、似然度以及反馈;以及处理装置,被配置成使用特征、结果、似然度以及反馈来执行模型参数的适配以获取经适配的模型参数。
根据第十四方面,一种装置,包括处理装置、包括有计算机程序代码的存储器装置,该装置进一步包括:处理装置,被配置成使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;显示装置,被配置成示出结果;输入装置,被配置成从用户获取与结果有关的反馈;存储器装置,被配置成存储结果、似然度以及反馈;处理装置,被配置成使用结果、似然度以及反馈来执行置信度估计以获取置信度值;以及处理装置,被配置成基于置信度值来执行动作。
根据第十五方面,一种装置,包括处理装置、包括有计算机程序代码的存储器装置,该装置进一步包括:接收装置,被配置成接收位置数据和第一置信度值;更新装置,被配置成用位置数据和第一置信度值来更新数据库;接收装置,被配置成接收第二位置数据;获取装置,被配置成从数据库获取对应于第二位置数据的第二置信度值;处理装置,被配置成基于第二置信度值来执行动作,其中动作为以下各项之一:向另一设备传送置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
附图说明
在下面,将参照所附附图更具体地描述本发明的各种实施例,其中
图1示出了执行分类的***的实施例;
图2示出了用于收集用户反馈的用户接口的实施例;
图3示出了用于测量分类的置信度值的方法的实施例;
图4示出了用于确定分类的置信度值的***的实施例;
图5示出了客户端设备的实施例。
具体实施方式
对于情境识别,各种情境相关的特征能够从由移动设备的多个不同类型的无线电接收机接收的信号中提取。由于提取,可以基于特征的组合来确定移动设备的环境情境。此后,可以按照环境情境来至少部分地调节移动设备的性能。这意味着由移动设备执行的一个或多个应用可以考虑环境情境并且可以执行或者提供至少部分地基于环境情境的结果。例如,电话簿或通讯录应用可以基于移动终端的环境情境来给出结果或至少对结果确定优先级。附加地,意图推荐介质的应用可以至少部分地在移动设备的情境之上做出那些推荐。另外,可以以至少部分地基于环境情境的方式来驱动移动设备的显示,诸如通过被驱动以使得在其中移动设备在外面的实例中具有更大的亮度并且在其中移动设备在室内的实例中具有更小的亮度,由此节省电池消耗。尽管以上提供了若干示例,移动设备可以以至少部分地基于环境情境的广泛的不同的方式来适配其行为,其中之前的示例仅仅意图提供其中移动设备的性能可以针对其环境情境进行调节的方式的说明而非限制。
能够从自各自的接收机接收的信号中提取的特征的示例可以包括1)多个唯一小区标识(ID),唯一位置区码(LAC)的数量,小区ID每分钟改变的次数,位置区码每分钟改变的次数和/或从多个蜂窝无线电接收机获取的信号强度的标准偏离;2)最大载波噪声比,与卫星的最小仰角值,最大速度值,GPS位置定位的最佳水平精度值,GPS无线电接收机获取的首次定位(TTFF)时间;3)唯一介质接入控制(MAC)地址的数量,唯一站名的数量,平均信号强度,从WLAN无线电接收机获取的信号强度的标准偏差;4)从蓝牙无线电接收机获取的与蓝牙无线电接收机通信的蓝牙设备的数量;5)从由任意其它无线电接收机接收的信号中提取的任意其它特征,例如,信号的最大,最小,标准偏差,中间或中间绝对偏差。
可以以各种方式来处理特征以协助环境情境的确定,例如能够截连锁特征以定义特征矢量,接着例如通过减均值矢量并且将结果除以标准偏差矢量来对该特征矢量归一化。替代地,特征矢量可以通过减全局均值矢量并且将结果除以全局协方差矩阵或方差矢量来归一化。接着,可以将特征空间变换成具有更期望的属性(诸如类的非相关性或最大分离性)的另一空间。在此方面,诸如为归一化特征矢量的特征空间可以按照线性变换(例如,按照线性判别分析)来变换。但是,可以以其它方式来变换归一化特征矢量,包括按照主成分分析、独立成分分析或非负矩阵因子分解。在一个实施例中,可以通过使得特征矢量经历按序列执行的多个不同的变换来对特征矢量归一化。
接着能够分析特征矢量(诸如归一化的、经变换的特征矢量),以使得确定移动设备的环境情境。移动设备的处理器可以基于特征矢量以各种方式,包括将分类器应用到特征矢量,其中分类器标识与特征矢量相关联的类,并且转而,类与相应的环境情境相关联,来确定环境情境。处理器可以利用众多不同的分类器,包括贝叶斯分类器、神经网络、最近邻居分类器或支持矢量机(SVM)。通过确定特征矢量的最具代表性的情境模型(诸如归一化的、经变换的特征矢量),可以将环境情境确定为与最具代表性的情境模型相关联的情境相同或相似。
多个情境模型可以通过在多个不同的环境情境(诸如室内、室外、办公室、家中、自然情景等)中的移动设备来收集。对于每个情境模型,移动设备的用户可以简单地选择环境情境并且移动设备接着可以确定与之相关联的特征矢量,诸如通过收集来自该多个无线电接收机的信号、从中提取特征并且接着定义对应的特征矢量。因此,多个情境模型能够以迅速的方式来收集,而不显著地强加于移动设备的用户上。在其中收集多个情境模型以用于相同的或非常相似的环境情境的实例中,该多个情境模型可以定义情境模型的类并且可以确定类的均值或方差并且接着将均值或方差用作代表相应的环境情境的情境模型。因此,与相应的环境情境相关联的情境模型可以包括均值矢量和协方差矩阵。在训练阶段期间,全局均值矢量和全局协方差矩阵或方差矢量可以基于所有的情境模型的均值矢量和协方差矩阵来估计。这些全局均值矢量和全局协方差矩阵或方差矢量可以被存储,以及被利用,从而归一化特征矢量。
为了从特征矢量(诸如归一化的经变换的特征矢量)中确定环境情境,特征矢量可以与各种情境模型相比较并且将最具代表性的情境模型(诸如与特征矢量最相似的)认为是匹配。在此方面,可以将与最相似于特征矢量的情境模型相关联的环境情境确定为其中移动设备当前所在的环境情境。
尽管可以以各种方式来将特征矢量与情境模型相比较,一个实施例为利用模式识别。在下面,将在用于比较特征矢量与情境模型并且根据用户反馈来适配模型的模式识别的上下文中描述本发明的若干实施例。
方案的目标能够是例如使用情况(其中基于加速度计的活动分类器例如用于识别用户是否是站立的、行走的、骑车等)。为了建立对于使用***的任何人而言将很好地起作用的稳健的分类器,需要从尽可能多的人中收集的标记的加速度计数据的训练数据集合。来自仅仅一个人的训练数据朝此人的行为偏移分布,并且对于另一人而言分类器可能不很好地工作。在训练数据的大的集合上训练的分布对于使用***的大多数人而言通常可以很好地工作,但是对于某些人而言可能根本上不工作。这可能是由于奇怪的行走姿势或高于平均的骑车速度或用户可能具有的某些其它个体的差异。本方案目的在于当建立分类器时考虑个体差异。
总体上,方法通过执行分类和提示用户回答分类结果是否是正确的来起作用。接着将用于获取分类的数据和用户反馈用于适配类分布。
出现在本申请中的适配方法可以用于适配贝叶斯最大后验分类器的模型。对于每个类j,这样的分类器组成高斯分布zj=N(μj,∑j)。从训练数据集中获取每个类的均值μj和方差∑j。在训练数据集中,为每个类j收集训练数据特征矢量的集合。每个类j的均值和方差从已知属于类j的特征矢量中估计。
观测的输入z的分类可以通过在所有的类j=1…p上将下面的等式最大化来完成:
评估每个类分布将有多大可能产生输入z,并且选择对应于最大似然度的类。输入z越与类分布越接近,类分布已经生成输入z的似然度越高。
适配
***的适配通过在向用户呈现输出(最可能的类)并且从用户获取分类是否正确的反馈的各种传感输入z上运行分类器来完成。存储输入z(特征矢量)、输出类、以及来自用户的是/否(yes/no)回答的集合以用于适配。这通过一段时间完成,以获取由输入z以及对应的描述分类是否正确的是或否标签组成的数据的集合。在收集反馈之后,适配可以通过使用所收集的数据为每个类j单独地最小化下面的优化准则来完成:
其中|S|表示集合S中的项数。N(yes)为“是”(“yes”)回答的总数并且N(no)为“否”(“no”)回答的总数。
集合A和B定义为
A={Lj(yes)|Lj(yes)>χ95}以及
B={Lj(no)|Lj(no)<χ95} [等式3]
其中Lj(yes)为具有是(yes)标签的观测值的似然度值的集合,X95是其中具有适当的自由度的累积卡方分布函数具有值0.95的点。Lj(no)为具有否(no)标签的观测值的似然度值的集合。似然度值Ljb被定义为:
优化通过为均值μj和比例因子sj找到将函数f最小化的值来完成。对于未适配的模型,比例sj等于1。
适配算法尝试最小化的不适于模型分布(等式1,以上)的具有是(yes)标签的样本的数量、意味着它们都落在95%的阈值之外。进而,算法尝试最小化很好地适合模型分布的具有否(no)标签的样本的数量,意味着它们落在95%阈值内,sj和μj为自变量:
优化准则(等式2)的第一部分通过这样的事实来激励:如果我们从高斯分布中抽取样本,来自该分布的那些样本的似然度应该是具有q自由度的卡方分布。这意味着在适配之后标签为正确的样本的似然度应该来自对于那些样本而言给出是卡方分布的似然度的分布。换而言之,在适配期间,我们尝试找到对于正确地分类的样本而言给出卡方分布的似然度的分布。此外,由用户标识为不正确的样本不应该给出为卡方分布的似然度。这反映在优化准则的后一部分中。
能够例如通过使用Matlab函数“fminsearch”来完成关于参数(μj和比例因子sj)的优化准则的最小化。函数“fminsearch”开始于初始估计的并且找到若干变量的标量函数的最小值。这是无约束的非线性优化的示例。“fminsearch”使用Nelder-Mead单纯形(simplex)搜索。
总之,适配算法如下工作(对于每个类,模型单独地):
1.输入:具有是/否(yes/no)标记的特征矢量(通过“是”(“yes”)或“否”(“no”)回答来定义),已经使用注释数据的大的集合来训练未适配的模型。
2.参数优化
a)输入:未适配的模型,具有是/否(yes/no)标记的特征矢量,函数f。
b)(1)例如使用Nelder-Mead单纯形法(fminsearch)最小化。使μj和sj适配,直到f达到最小值。
c)输出:sj和μj。
3.以经适配的模型参数(μj,以及sj)以及特征矢量来评估等式3。
4.分析等式3的评估值以确定经适配的模型参数是否比未经适配的模型参数好。
5.如果经适配的模型参数比未经适配的模型要好,则采用经适配的参数。
函数f的第一项能够用作用于停止整个适配过程的准则(不需要更多的来自用户的反馈),因为当假定模型参数正确时项的理论分布是已知的。另一方式是将所观测的用户反馈与预测的概率相比较(这一方法在以下更具体地公开)-如果存在明显的误匹配,则应该继续适配处理。
替代方案
除了所给出的函数f,能够使用某些替代性的函数。例如,有可能将“是”(“yes”)回答的平均似然度并且最小化“否”(“no”)回答的平均似然度最大化。还有可能将平均“是”(“yes”)回答似然度与“否”(“no”)回答似然度之间的差最大化。还有,有可能将“是”(“yes”)回答的数量最大化并且将“否”(“no”)回答的数量最小化。但是,作为测试结果,发现函数f在实践中很好地工作。益处之一为其是数字上稳定的。
示例使用情况
这里描述的方案能够在情境识别***中使用。在图1中将***的示意图图示为示例。***被配置成周期性地识别用户的环境和活动并且基于结果,被配置成绘制环境和活动地图。***包括客户端设备(100)和服务器设备(110)。***可以将已经从自各种传感器或无线电接收机(105)(例如,无线局域网(WLAN)无线电、全球定位***(GPS)、蓝牙以及加速度计)获取的数据中计算的这样的特征用作输入。客户端设备(移动终端)(100)基于在各种传感器(105)和无线电接收机上提取的特征来运行分类器(107)。***可以使用贝叶斯分类器以用于分类。可以在用户的用户接口(108)上示出分类结果,并且要求她/他提供指示分类是否正确的“是”(“yes”)或“否”(“no”)回答。将分类结果、所获取的似然度值以及是/否(yes/no)回答发送到服务器侧(110)。服务器端(110)可以存储原始情境模型参数(115),以及所有的所获取的适配的数据(分类结果、似然度、是/否(yes/no)回答)(116)。服务器端(110)通过将函数f最小化来执行适配过程,并且向客户端设备传送经更新的模型参数。
本方案已经由携带移动设备的测试人员测试。图2图示了被配置成收集关于分类器性能的用户反馈的用户接口(200)的示例。在***已经确定用户的情境的概率之后,在用户接口(200)上示出概率。能够看出***已经确定用户在车辆中的概率为12.9998并且用户在室内的概率为98.6345并且在办公室处为98.5593。在这一情况下,将概率表达为百分比。进而,在这一示例实现中,采用三个不同的情境分类器,一个在室内和室外情境之间分类,另一对用户活动分类并且在这一情况下最可能的类为车辆,以及第三分类器对环境情境分类并且在这一情况下最可能的类为办公室。接着要求测试人员-经由图2中示出的用户接口-对识别结果回答{是,否}({yes,no}),从而确认分类器结果。用于“是”(“yes”)的可用回答按钮使用标号212示出,并且用于“否”(“no”)的可用回答按钮使用标号213示出。围绕两个“是”(“yes”)回答和一个“否”(“no”)回答的灰色圆圈指示用户的选择:“我不在车辆里,而是在室内的办公室处”。这一类型的二元反馈不需要大的努力,但是结果显示该信息在分类器性能的评价和适配两者方面是非常有价值的。技术人员意识到图2中的任意可视元素能够使用任意其它可视元素来替代,例如围绕“是”(“yes”)和“否”(“no”)回答的灰色圆圈能够分别使用绿色和红色圆圈来替代,或者使用具有不同的颜色或形状的任意其它元素来替代。除此之外,用户接口能够包括任意其它输入装置以用于用户替代按钮212、213来回答“是”/“否”(“yes”/“no”)。例如,在某些情况下,用户可以敲入回答“是”/“否”(“yes”/“no”)到对应的栏或者用户接口可以至少部分地通过语音识别来操作,借此用户可以仅仅说出词“是”/“否”(“yes”/“no”)。
归功于本方案,用户反馈相比在传统的适配方法中对于用户而言时间消耗更少。这是因为用户需要取决于分类是否正确而回答仅仅是(yes)或否(no)。传统的方法需要用户提供类标记和适配数据。作为与相关技术的方案的差异,在本方案中适配协方差矩阵。相比于现有技术方案,这是很大的成就。另外,本方案包括用于适配的停止准则。
在以上,提到函数f的第一项能够用作停止准则。另一方式为将预期的概率与观测到的用户反馈相比较。接下来公开了这一方法。
用于分类器的基于用户反馈的置信度测量
方案的这一部分涉及针对来自贝叶斯分类器的分类结果计算置信度值。
对于每个类j,贝叶斯最大后验分类器组成高斯分布zj=N(μj,∑j)。每个类的均值μj和方差∑j从训练数据集中获取。观测到的输入z的分类通过在所有的类j=1…p上将下面的等式最大化来完成:
分类输出为类j,其将以上等式最大化。注意如果输入z不属于p个类中的任意类,则分类器仍然找到将等式最大化的类。因而,对于现实应用,对于所识别的类除了是最可能的类之外同样是正确的类具有某种置信度测量将是有益的。另外,在现实应用中,分类器一定会出错。注意当这些错误发生时,其同样是非常有益的。这些问题使用方案的这一部分来克服。方案的目的是计算告知对于分类结果是正确的而言能够有多置信的结果的置信度值。置信度测量能够在用于移动设备中的情境识别的节能方案中使用,或者用作用于适配的停止准则。
置信度测量
能够计算置信度值以确定分类结果有多置信。能够通过使用下面的等式来执行计算:
其中Pyes|L是所查找的概率,给定具有最高似然度的类的似然度值时用户回答“是”(“yes”)的概率。pL|yes为是(yes)似然度的(经验)条件密度。Pyes是成功检测的先验概率。pL是“是”(“yes”)和“否”(“no”)似然度的加权的组合。因而,为了计算置信度值,需要计算项Pyes、pL|yes以及pL。
为了计算各项,第一步是通过正常地运行分类器并且接收关于分类结果是否正确(“是”/“否”(“yes”/“no”)回答)的用户反馈来收集反馈(如以上所述)。可以存储所识别的类的似然度和用户反馈。在已经收集足够的数据之后,能够将数据用于计算项Pyes、pL|yes以及pL。这些如下所示地计算:
1.pL|yes的值通过当分类器成功识别正确的类时的似然度的概率密度函数来获取。这能够例如使用执行似然度概率密度函数的内核估计的Matlab函数“ksdensity”或计算对应于“是”(“yes”)回答的似然度值的直方图来完成。接着pL|yes为所识别的类的似然度处的概率密度函数的值。
2.Pyes=Nyes/(Nyes+Nno)的值,其中Nyes是来自用户的“是”(“yes”)回答的数量,以及Nno是来自用户的“否”(“no”)回答的数量。
3.pL=PyespL|yes+PnopL|no,其中Pyes为成功检测的先验概率,并且pL|yes为“是”(“yes”)似然度的(经验)条件密度,以及其中Pno和pL|no按照同样方式计算,但是基于“否”(“no”)回答。
示例使用情况
在这一示例中,将方案应用到用于情境识别的节能方案。因此,构思在于估计使用各种传感器和特征获取的情境检测置信度,并且选择性地仅仅启用在给定能量预算内提供情境传感置信度中的最大增加的传感器。作为示例,存在尝试识别用户是否在行走、站立、骑车、驾车等的用户活动识别***。***根据从移动设备上的各种传感器中获取的特征的集合工作。这些传感器可以包括加速度计、麦克风、蓝牙无线电、WLAN无线电以及GPS接收机以及其它。为了从***中获取最佳识别精度,应该使用来自所有的传感器的数据。但是,在某些情况下,传感器消耗的功率太多(例如,电话电池电量太低)。能够关闭某些传感器使得识别精度不受太多影响但是使得达到节能将是有益的。为此目的,有可能使用这里给出的置信度测量。
涉及置信度值的使用的其它示例包括例如改变设备简档和/或启动应用。术语“设备简档”涉及与特定环境或情境相关的设备的设置的集合,诸如铃音和警报音。主要的原理是如果置信度值足够高(例如,在特定阈值以上),则能够执行动作。动作能够例如是改变设备简档。例如,如果设备情境为具有可以对应于高置信度的置信度0.99的汽车,则设备能够自动地切换到汽车简档并且启动导航应用以及改变用户接口布局以使得设备易于在汽车环境中操作。相应地,如果例如通过与阈值比较以及提醒其少于阈值来确定的情境分类器的置信度值低,则设备可以替代地确定不改变简档。即,如果分类的置信度不足够大,则不做出动作(诸如改变设备简档或启动应用)更好,以使得我们不将用户转移到错误的情形中。
在一个实施例中,对于设备的不同的动作,存在不同的置信度值。例如,在不同的简档自动被启用之前该不同的简档可以具有不同的预定置信度值。例如,在汽车简档被启用之前该汽车简档可以具有0.9的置信度阈值,而街道简档可以具有0.8的置信度阈值以及会议简档可以具有0.9的置信度阈值。阈值可以基于如果自动简档改变错误地完成会有多严重来确定。例如,街道简档可以具有比会议简档更低的置信度阈值,因为如果由于不正确的分类而启用街道简档,则如果街道简档铃音比正常简档响铃音调更响则用户不会错过任何呼叫。如果会议简档由于不正确的情境分类而被启用,则因为会议简档可以典型地具有安静或静音的铃音,用户可能错过呼叫。对应地,在不同的应用或其它设备动作被自动启动之前,该不同的应用或其它设备动作可以具有不同的置信度水平。例如,如果基于情境值的待触发的动作仅仅重新排列用户接口上的某些图标,则置信度阈值可以相对地低,因为如果情境分类变得不正确,其是不严重的。但是,如果动作打开填满全屏幕的应用,诸如网页(Web)浏览器,则置信度阈值可以更高以防止***不必要地经常自动启动这一应用。
该过程在图3中示为示例。在该方法中,获取功率预算(310)。到方法的输入为分配给活动识别器的功率的量。接着,添加传感器(320)。传感器应该是这样的:其添加最小量的功率消耗到已经用于识别的传感器集合的功率消耗中。另外,添加传感器不应该引起突破功率预算。作为接下来的步骤,确定是否找到适当的传感器(330)。如果没有在添加传感器后保持功率预算的传感器,则过程应该停止并且不输出识别结果(340)。否则过程继续。接着,通过使用所选择的传感器来执行识别(350)。接着,能够计算识别结果的置信度(360)。如果置信度在阈值输出识别结果之上(370),则输出识别结果(380),否则过程回到传感器添加步骤(320)。阈值的值可以根据情形变化。对于某些应用,对置信度的要求更加严格(高阈值),并且对于某些应用,置信度要求更低。还能够以向传感器池添加新的传感器的其它手段来替代传感器添加步骤(320)。例如,有可能选择需要最多功率、但是仍然满足预算的传感器。
示例使用情况2
图4图示了另一使用情况。该图示出了客户端(400)-服务器(410)***,其中客户端设备(400)被配置成执行情境识别以及收集针对情境分类的用户反馈。客户端设备(400)被配置成获取位置数据,诸如GPS坐标或蜂窝网络标识符,以及被配置成向服务器设备(410)传送(A)位置数据连同分类结果、似然度值和用户反馈。服务器设备(410)包括存储分类结果、似然度值以及链接到不同的位置的置信度的数据库(415)。
当从客户端设备(400)(即,移动终端)接收新的位置数据时,服务器设备被配置成从数据库中针对每个类搜索链接到位置的置信度值。这给出了在这一位置处的正确分类的概率的指示。如果其为高,能够例如通过根据接收数据的位置提供服务(诸如推荐或广告)到客户端设备的用户来使情境分类做出反应。如果置信度低,需要通过请求客户端设备(400)执行进一步的情境识别或通过请求客户端设备(400)从用户收集更多的反馈来增加对位置的理解。
即使对于所有的用户分类器相同,本方案也使得有可能以是/否(yes/no)反馈计算用户-特定的置信度值。另外,需要从特征中计算概率密度函数。出于维度更低,计算似然度概率密度函数需要更少的数据。似然度概率密度函数是一维的,并且非参量概率密度函数估计因而是直接的。因为方案根据似然度操作,所以精确相同的算法将工作在输出似然度与分类结果的任意分类器上。不需要知晓关于在***中使用的实际特征的任意事物,其使得本方案区分于现有技术方案。
本发明的各种实施例能够在驻留在存储器中并且使得相关的装置执行各种实施例的计算机程序代码的帮助下实现。例如,客户端设备可以包括用于处理、接收以及发送数据的电路和电子设备,存储器中的计算机程序代码,以及当执行计算机程序代码时使得客户端设备执行实施例的特征的处理器。再进一步,服务器设备可以包括用于处理、接收以及发送数据的电路和电子设备以,存储器中的计算机程序代码,以及当运行计算机程序代码时使得网络设备执行实施例的特征的处理器。
在至少某些实施例中,***包括服务器设备和多个客户端设备。服务器设备可以在网络上与一个或多个客户端设备通信。网络可以包括无线网络(例如,蜂窝网络、无线局域网、无线个域网、无线城域网等等)、有线网络、或其某些组合,并且在某些实施例中包括因特网的至少一部分。服务器设备可以被体现为一个或多个服务器、一个或多个台式计算机、一个或多个膝上型计算机、一个或多个移动计算机、一个或多个网络节点、彼此通信的多个计算设备、其任意组合等等。在此方面,服务器设备可以包括任意计算设备或多个计算设备,被配置成通过网络向一个或多个客户端设备提供基于情境的服务。客户端设备可以被体现为任意计算设备,诸如,例如,台式计算机、膝上型计算机、移动终端、移动计算机、移动电话、移动通信设备、游戏设备、数字摄像机/可携式摄像机、音频/视频播放器、电视设备、无线电接收机、数字视频录像机、定位设备、腕表、便携式数字助理(PDA)、其任意组合等等。在此方面,客户端设备可以被体现为任意计算设备,被配置成确定客户端设备的位置并且接入通过服务器设备通过网络提供的基于情境的服务。
图5示出了用于执行情境识别方法的装置551(即,客户端设备)的示例。如图5中所示,为客户端设备的示例的移动终端包含存储器552、至少一个处理器553和556、以及驻留在存储器552中的计算机程序代码554。装置还可以具有用于捕获图像数据,例如立体视频的一个或多个摄像头555和559。装置还可以包含用于捕获声音的一个、两个或更多麦克风557和558。装置还可以包括显示器560。装置551还可以包括可以允许用户与设备交互的接口装置(例如用户接口)。用户接口装置可以使用显示器560、小键盘561、语音控制、手势识别或其它结构来实现。装置还可以例如通过能够接收和/或发送信息的通信块(未在图5中示出)的方式来连接到另一设备。例如,装置可以包括短距离射频(RF)收发机和/或询问器,因此数据可以按照RF技术来与电子设备共享和/或从电子设备获取。装置可以包括其它短距离收发机,诸如,例如红外(IR)收发机、使用由BluetoothTM技术联盟(BluetoothTM Special Interest Group)开发的BluetoothTM品牌无线技术操作的BluetoothTM(BT)收发机、无线通用串行总线(USB)收发机和/或等等。BluetoothTM收发机可以能够根据超低功率BluetoothTM技术(例如,WibreeTM)无线电标准来操作。在此方面,装置以及具体地短距离收发机可以能够向装置的附近(诸如,例如在10米内)的电子设备发送数据和/或从电子设备接收数据。尽管未示出,但是装置可以能够根据各种无线联网技术(包括无线保真(Wi-Fi)、诸如为IEEE 802.11技术的WLAN技术、IEEE 802.15技术、IEEE 802.16技术等等)来向电子设备发送数据和/或从电子设备接收数据。尽管未示出,装置可以包括电池以用于对与装置相关的各种电路(例如,用于提供机械振动作为可检测的输出的电路)供电。除此之外,装置可以包括用于处理、接收以及发送数据的电路和电子设备,存储器中的计算机程序代码,以及当运行计算机程序代码时使得装置执行实施例的特征的处理器。另外,装置可以包括如图1和4中所示的各种传感器。
一个或多个处理器553、556可以例如被体现为各种模块,包括电路,具有(多个)伴随的数字信号处理器的一个或多个微处理器,无伴随数字信号处理器的一个或多个处理器,一个或多个协处理器,一个或多个多核处理器,一个或多个控制器,处理电路,一个或多个计算机,包括集成电路、诸如例如ASIC(专用集成电路)或FPGA(现场可编程门阵列)的各种其它处理元件,或其某组合。由处理器553、556发送和接收的这些信号可以包括根据可应用的蜂窝***的空中接口标准的信令信息,和/或任意数量的不同的有线或无线联网技术,包括但不限于无线保真(Wi-Fi)、诸如为电气与电子工程师协会(IEEE)802.11、802.16的无线本地接入网(WLAN)技术等等。除此之外,这些信号可以包括语音数据、用户生成的数据、用户请求的数据等等。在此方面,该装置可以能够以一个或多个空中接口标准、通信协议、调制类型、接入类型等等来操作。更特别地,装置可以能够按照各种第一代(1G)、第二代(2G)、2.5G、第三代(3G)通信协议、***(4G)通信协议、因特网协议多媒体子***(IMS)通信协议(例如,会话初始协议(SIP))等等来操作。例如,装置可以能够根据2G无线通信协议IS-136(时分多址(TDMA))、全球移动通信***(GSM)、IS-95(码分多址(CDMA))等等来操作。另外,例如,装置可以能够根据2.5G无线通信协议通用分组无线服务(GPRS)、增强数据GSM环境(EDGE)等等来操作。进一步,例如,装置可以能够按照3G无线通信协议,诸如通用移动电信***(UMTS)、码分多址2000(CDMA2000)、宽带码分多址(WCDMA)、时分同步码分多址(TD-SCDMA)等等来操作。装置还可以附加地能够按照3.9G无线通信协议,诸如长期演进(LTE)或演进通用陆地无线接入网(E-UTRAN)等等来操作。附加地,例如,装置可以能够按照***(4G)无线通信协议等等以及可以在未来开发出的类似的无线通信协议来操作。
某些窄带先进移动电话***(NAMPS)、以及全接入通信***(TACS)、装置也可以从本发明的实施例中受益,如同双模或更多模电话(例如,数字/模拟或TDMA/CDMA/模拟电话)。附加地,装置551可以能够根据无线保真(Wi-Fi)或全球微波接入互操作性(WiMAX)协议来操作。
理解到处理器553、556可以包括用于实现装置551的音频/视频和逻辑功能的电路。例如,处理器553、556可以包括数字信号处理器设备、微处理器设备、模-数转换器、数-模转换器等等。可以根据它们相应的能力来在这些设备之间分配装置的控制和信号处理功能。处理器可以附加地包括内部语音编码器、内部数据调制器等等。另外,处理器可以包括操作可以存储在存储器552中的一个或多个软件程序的功能。例如,处理器553、556可以能够操作连接程序,诸如网页(Web)浏览器。连接程序可以允许装置551根据协议,诸如无线应用协议(WAP)、超文本传输协议(HTTP)等等来发送和接收网页(web)内容,诸如基于位置的内容。装置551可以能够使用传输控制协议/因特网协议(TCP/IP)以跨因特网或其它网络发送和接收网页(web)内容。
除此之外,装置551在某些实施例中包括定位电路(未示出)。定位电路可以包括例如GPS传感器、辅助全球定位***(辅助-GPS)传感器、蓝牙(BT)-GPS接收器(mouse)、其它GPS或定位接收器等等。但是,在一个示例性实施例中,定位电路可以包括加速度计、计步器、或其它惯性传感器。在此方面,定位电路可以能够确定装置551的位置,诸如,例如装置551的经度和纬度方向,或相对于诸如为目标或起始点的参考点的位置。进一步,定位电路可以基于信号三角测量或其它机制来确定装置551的位置。作为另一示例,定位电路可以能够确定装置551的动作速率、动作程度、动作角度、和/或动作类型,诸如可以用于取得活动情境信息。接着,来自定位传感器的信息可以向装置551的存储器传送或向另一存储设备传送以被存储为位置历史或位置。
在实施例中,处理装置被配置成使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出情境的结果和似然度;显示装置被配置成向用户示出结果;输入装置被配置成从用户获取与结果有关的反馈;存储器装置被配置成存储特征、结果、似然度以及反馈;以及处理装置被进一步配置成使用特征、结果、似然度以及反馈来执行模型参数的适配以获取经适配的模型参数。
在另一实施例中,处理装置被配置成使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;显示装置被配置成向用户示出结果;输入装置被配置成从用户获取与结果有关的反馈;存储器装置被配置成存储结果、似然度以及反馈;处理装置被配置成使用结果、似然度以及反馈来执行置信度估计以获取置信度值;以及处理装置被进一步配置成基于置信度值来执行动作。
在实施例中,服务器设备包括处理装置、包括有计算机程序代码的存储器装置,该装置进一步包括:接收装置,被配置成接收位置数据和第一置信度值;更新装置,被配置成用位置数据和第一置信度值来更新数据库;接收装置,被配置成接收第二位置数据;获取装置,被配置成数据库获取对应于第二位置数据的第二置信度值;处理装置,被配置成基于第二置信度值来执行动作,其中动作为以下各项之一:向另一设备传送置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
出于其快速和准确性,用于情境识别的本方案代表这一技术领域中的重大的进步。方案采用例如在贝叶斯分类器中的类分布的适配的方法。方案还提供了用于停止适配过程的停止准则。
显然,本发明不只限于以上给出的实施例,而是能够在所附权利要求书的范围之内进行修改。
Claims (59)
1.一种方法,包括:
-使用从至少一个传感器接收的特征以及由训练数据定义的模型参数来执行情境的分类以输出所述情境的结果和似然度;
-示出所述结果;
-从用户获取与所述结果有关的反馈;
-存储所述特征、结果、似然度以及所述反馈;以及
-使用所述特征、结果、似然度以及所述反馈来执行所述模型参数的适配以获取经适配的模型参数。
2.根据权利要求1所述的方法,其中所述分类器为贝叶斯分类器。
3.根据权利要求1或2所述的方法,其中所述适配包括将函数f最小化。
4.根据权利要求3所述的方法,其中所述函数f取决于所述似然度值。
5.根据权利要求3所述的方法,其中对所述函数f的评估包括相对于阈值评估对应于是yes和否no回答的所述似然度值。
6.根据权利要求3所述的方法,其中所述函数f的形式为:
并且其中A={Lj(yes)|Lj(yes)>χ95}并且
B={Lj(no)|Lj(no)<χ95}并且其中
|A|表示所述集合A中的项数;
j为当前类的索引;
Lj(no)为对应于具有“否”标签的观测值的似然度值的集合;
N(no)为“否”回答的总数;
Lj(yes)为对应于具有“是”标签的观测值的似然度值的集合;
N(yes)为“是”回答的总数;
所述似然度值Lj被定义为:
并且经适配的类参数从被获取。
7.根据权利要求6所述的方法,包括使用无约束的非线性优化方法以用于所述函数f。
8.根据前述权利要求1至7中任一项所述的方法,进一步包括向另一设备传送所述特征、结果、似然度以及所述反馈。
9.根据权利要求8所述的方法,进一步包括从所述另一设备接收经适配的模型参数。
10.根据权利要求3至6中任一项所述的方法,进一步包括当所述函数f达到最小值时停止所述适配。
11.根据前述权利要求1至9中任一项所述的方法,进一步包括使用所述结果、似然度以及所述反馈来执行置信度估计以获取置信度值。
12.根据权利要求11所述的方法,进一步包括如果所述置信度值基本上与所述用户反馈相匹配则停止所述适配。
13.根据前述权利要求1至12中任一项所述的方法,包括向用户示出所述结果。
14.一种用于在客户端装置处的置信度测量的方法,包括
-使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;
-示出所述结果;
-从用户获取与所述结果有关的反馈;
-存储所述结果、似然度以及所述反馈;
-使用所述结果、似然度以及所述反馈来执行置信度估计以获取置信度值;以及
-基于所述置信度值来执行动作。
15.根据权利要求14所述的方法,其中所述动作为以下各项之一:添加新的传感器,添加新的特征,改变设备简档,启动应用。
16.根据权利要求14或15所述的方法,其中所述置信度估计包括估计所述用户回答是的概率。
17.根据权利要求14或15或16所述的方法,其中所述置信度估计包括使用所述似然度和所述反馈来估计至少一个概率密度函数。
18.根据权利要求17所述的方法,其中所述概率密度函数估计通过使用内核估计被执行。
19.根据权利要求14至18中任一项所述的方法,其中所述分类器为贝叶斯分类器。
20.根据权利要求14至19中任一项所述的方法,进一步包括获取位置数据。
21.根据权利要求20所述的方法,其中所述动作包括向另一设备传送所述位置数据、所述结果以及所述置信度值。
22.根据权利要求19所述的方法,进一步包括响应于所述位置数据、所述结果以及所述置信度来从所述另一设备接收请求或服务。
23.根据前述权利要求14至22中任一项所述的方法,包括向所述用户示出所述结果。
24.一种用于在服务器处的置信度测量的方法,包括:
-接收位置数据和第一置信度值;
-用所述位置数据和第一置信度值来更新数据库;
-接收第二位置数据;
-从所述数据库获取对应于所述第二位置数据的第二置信度值;
-基于所述第二置信度值来执行动作,其中所述动作为以下各项之一:向另一设备传送所述置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
25.根据权利要求24所述的方法,其中所述服务为推荐或广告。
26.一种装置,包括处理器、包括有计算机程序代码的存储器,所述存储器和所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下各项:
-使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出所述情境的结果和似然度;
-示出所述结果;
-从用户获取与所述结果有关的反馈;
-存储所述特征、结果、似然度以及所述反馈;以及
-使用所述特征、结果、似然度以及所述反馈来执行所述模型参数的适配以获取经适配的模型参数。
27.根据权利要求26所述的装置,其中所述分类器为贝叶斯分类器。
28.根据权利要求26或27所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-针对所述适配将函数f最小化。
29.根据权利要求28所述的装置,其中所述函数f取决于所述似然度值。
30.根据权利要求28所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-相对于阈值评估对应于是和否回答的所述似然度值以用于对所述函数f的所述评估。
31.根据权利要求28所述的装置,其中所述函数f的形式为
并且其中A={Lj(yes)|Lj(yes)>χ95}并且
B={Lj(no)|Lj(no)<χ95}并且其中
|A|表示所述集合A中的项数;
j为当前类的索引;
Lj(no)为对应于具有“否”标签的观测值的似然度值的集合;
N(no)为“否”回答的总数;
Lj(yes)为对应于具有“是”标签的观测值的似然度值的集合;
N(yes)为“是”回答的总数;
所述似然度值Lj被定义为:
并且经适配的类参数从被获取。
32.根据权利要求31所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-使用无约束的非线性优化方法以用于所述函数f。
33.根据权利要求26至31中任一项所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-向另一设备传送所述特征、结果、似然度以及所述反馈。
34.根据权利要求33所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-从所述另一设备接收经适配的模型参数。
35.根据权利要求28至34中任一项所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-当所述函数f达到最小值时停止所述适配。
36.根据权利要求26至34中任一项所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-使用所述结果、似然度以及所述反馈来执行置信度估计以获取置信度值。
37.根据权利要求36所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行至少以下:
-如果所述置信度值基本上与所述用户反馈相匹配则停止所述适配。
38.根据前述权利要求26至37中任一项所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-向所述用户示出所述结果。
39.一种装置,包括处理器、包括有计算机程序代码的存储器,所述存储器和所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下各项:
-使用从至少一个传感器接收的特征以及由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;
-示出所述结果;
-从用户获取与所述结果有关的反馈;
-存储所述结果、似然度以及所述反馈;
-使用所述结果、似然度以及所述反馈来执行置信度估计以获取置信度值;以及
-基于所述置信度值来执行动作。
40.根据权利要求39所述的装置,其中所述动作为以下各项之一:添加新的传感器,添加新的特征,改变设备简档,启动应用。
41.根据权利要求39或40所述的装置,其中所述置信度估计包括估计所述用户回答是的概率。
42.根据权利要求39或40或41所述的装置,其中所述置信度估计包括使用所述似然度和所述反馈来估计至少一个概率密度函数。
43.根据权利要求42所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-通过使用内核估计来执行所述概率密度函数估计。
44.根据权利要求39至43中任一项所述的装置,其中所述分类器为贝叶斯分类器。
45.根据权利要求39至44中任一项所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-获取位置数据。
46.根据权利要求45所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-向另一设备传送所述位置数据、所述结果以及所述置信度值。
47.根据权利要求46所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-响应于所述位置数据、所述结果以及所述置信度来从所述另一设备接收请求或服务。
48.根据前述权利要求39至47中任一项所述的装置,进一步包括计算机程序代码,所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下:
-向所述用户示出所述结果。
49.一种装置,包括处理器、包括有计算机程序代码的存储器,所述存储器和所述计算机程序代码被配置成与所述处理器一起,使得所述装置至少执行以下各项:
-接收位置数据和第一置信度值;
-用所述位置数据和第一置信度值来更新数据库;
-接收第二位置数据;
-从所述数据库获取对应于所述第二位置数据的第二置信度值;
-基于所述第二置信度值来执行动作,其中所述动作为以下各项之一:向另一设备传送所述置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
50.根据权利要求49所述的装置,其中所述服务是推荐或广告。
51.一种被体现在非瞬态计算机可读介质上的计算机程序,所述计算机程序包括指令,所述指令当在至少一个处理器上被执行时,使得至少一个装置:
-使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出所述情境的结果和似然度;
-示出所述结果;
-从用户获取与所述结果有关的反馈;
-存储所述特征、结果、似然度以及所述反馈;以及
-使用所述特征、结果、似然度以及所述反馈来执行所述模型参数的适配以获取经适配的模型参数。
52.一种计算机程序,包括指令,所述指令当在至少一个处理器上被执行时,使得至少一个装置:
-使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出所述情境的结果和似然度;
-示出所述结果;
-从用户获取与所述结果有关的反馈;
-存储所述特征、结果、似然度以及所述反馈;以及
-使用所述特征、结果、似然度以及所述反馈来执行所述模型参数的适配以获取经适配的模型参数。
53.一种被体现在非瞬态计算机可读介质上的计算机程序,所述计算机程序包括指令,所述指令当在至少一个处理器上被执行时,使得至少一个装置:
-使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;
-示出所述结果;
-从用户获取与所述结果有关的反馈;
-存储所述结果、似然度以及所述反馈;
-使用所述结果、似然度以及所述反馈来执行置信度估计以获取置信度值;以及
-基于所述置信度值来执行动作。
54.一种计算机程序,包括指令,所述指令当在至少一个处理器上被执行时,使得至少一个装置:
-使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;
-示出所述结果;
-从用户获取与所述结果有关的反馈;
-存储所述结果、似然度以及所述反馈;
-使用所述结果、似然度以及所述反馈来执行置信度估计以获取置信度值;以及
-基于所述置信度值来执行动作。
55.一种被体现在非瞬态计算机可读介质上的计算机程序,所述计算机程序包括指令,所述指令当在至少一个处理器上被执行时,使得至少一个装置:
-接收位置数据和第一置信度值;
-用所述位置数据和第一置信度值来更新数据库;
-接收第二位置数据;
-从所述数据库获取对应于所述第二位置数据的第二置信度值;
-基于所述第二置信度值来执行动作,其中所述动作为以下各项之一:向另一设备传送所述置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
56.一种计算机程序,包括指令,所述指令当在至少一个处理器上被执行时,使得至少一个装置:
-接收位置数据和第一置信度值;
-用所述位置数据和第一置信度值来更新数据库;
-接收第二位置数据;
-从所述数据库获取对应于所述第二位置数据的第二置信度值;
-基于所述第二置信度值来执行动作,其中所述动作为以下各项之一:向另一设备传送所述置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
57.一种装置,包括处理装置、包括有计算机程序代码的存储器装置,所述装置进一步包括:
-处理装置,被配置成使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出所述情境的结果和似然度;
-显示装置,被配置成示出所述结果;
-输入装置,被配置成从用户获取与所述结果有关的反馈;
-存储器装置,被配置成存储所述特征、结果、似然度以及所述反馈;以及
-处理装置,被配置成使用所述特征、结果、似然度以及所述反馈来执行所述模型参数的适配以获取经适配的模型参数。
58.一种装置,包括处理装置、包括有计算机程序代码的存储器装置,所述装置进一步包括:
-处理装置,被配置成使用从至少一个传感器接收的特征和由训练数据定义的模型参数来执行情境的分类以输出结果和似然度;
-显示装置,被配置成示出所述结果;
-输入装置,被配置成从用户获取与所述结果有关的反馈;
-存储器装置,被配置成存储所述结果、似然度以及所述反馈;
-处理装置,被配置成使用所述结果、似然度以及所述反馈来执行置信度估计以获取置信度值;以及
-处理装置,被配置成基于所述置信度值来执行动作。
59.一种装置,包括处理装置、包括有计算机程序代码的存储器装置,所述装置进一步包括:
-接收装置,被配置成接收位置数据和第一置信度值;
-更新装置,被配置成用所述位置数据和第一置信度值来更新数据库;
-接收装置,被配置成接收第二位置数据;
-获取装置,被配置成从所述数据库获取对应于所述第二位置数据的第二置信度值;
-处理装置,被配置成基于所述第二置信度值来执行动作,其中所述动作为以下各项之一:向另一设备传送所述置信度值,请求另一设备执行情境分类,请求另一设备收集更多的用户反馈,提供服务。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/FI2011/051145 WO2013093173A1 (en) | 2011-12-21 | 2011-12-21 | A method, an apparatus and a computer software for context recognition |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104094287A true CN104094287A (zh) | 2014-10-08 |
Family
ID=48667809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201180076349.8A Pending CN104094287A (zh) | 2011-12-21 | 2011-12-21 | 用于情境识别的方法、装置以及计算机软件 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20140324745A1 (zh) |
EP (1) | EP2795538A4 (zh) |
CN (1) | CN104094287A (zh) |
WO (1) | WO2013093173A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203380A (zh) * | 2016-07-20 | 2016-12-07 | 中国科学院计算技术研究所 | 超声波手势识别方法及*** |
WO2017012321A1 (zh) * | 2015-07-17 | 2017-01-26 | 京东方科技集团股份有限公司 | 显示状态的调节方法、显示状态调节装置及显示装置 |
CN106647355A (zh) * | 2016-11-09 | 2017-05-10 | 中国民用航空飞行学院 | 一种飞行情景环境评价的数据处理方法和*** |
CN107004093A (zh) * | 2014-12-23 | 2017-08-01 | 英特尔公司 | 提供基于位置的安全策略 |
CN109314722A (zh) * | 2016-06-23 | 2019-02-05 | 皇家飞利浦有限公司 | 用于测量针对通知的用户可行性或接受能力的方法、装置和机器可读介质 |
CN109978170A (zh) * | 2019-03-05 | 2019-07-05 | 浙江邦盛科技有限公司 | 一种基于多要素的移动设备识别方法 |
CN110516760A (zh) * | 2019-09-02 | 2019-11-29 | Oppo(重庆)智能科技有限公司 | 情境识别方法、装置、终端及计算机可读存储介质 |
CN112560992A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 优化图片分类模型的方法、装置、电子设备及存储介质 |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2315358A1 (en) | 2009-10-09 | 2011-04-27 | Thomson Licensing | Method and device for arithmetic encoding or arithmetic decoding |
US20140047259A1 (en) * | 2012-02-03 | 2014-02-13 | mCube, Incorporated | Methods and Apparatus for Mobile Device Power Management Using Accelerometer Data |
US9471092B2 (en) | 2012-02-03 | 2016-10-18 | MCube Inc. | Distributed MEMS devices time synchronization methods and system |
US9594411B2 (en) * | 2013-02-28 | 2017-03-14 | Qualcomm Incorporated | Dynamic power management of context aware services |
US9125015B2 (en) | 2013-06-28 | 2015-09-01 | Facebook, Inc. | User activity tracking system and device |
US8948783B2 (en) | 2013-06-28 | 2015-02-03 | Facebook, Inc. | User activity tracking system |
US20150073894A1 (en) * | 2013-09-06 | 2015-03-12 | Metamarkets Group Inc. | Suspect Anomaly Detection and Presentation within Context |
US10417258B2 (en) | 2013-12-19 | 2019-09-17 | Exposit Labs, Inc. | Interactive multi-dimensional nested table supporting scalable real-time querying of large data volumes |
JP6427973B2 (ja) | 2014-06-12 | 2018-11-28 | オムロン株式会社 | 画像認識装置及び画像認識装置への特徴量データ登録方法 |
CN105488044A (zh) * | 2014-09-16 | 2016-04-13 | 华为技术有限公司 | 数据处理的方法和设备 |
EP3091498A1 (en) | 2015-05-07 | 2016-11-09 | TrueMotion, Inc. | Motion detection system for transportation mode analysis |
US10083697B2 (en) | 2015-05-27 | 2018-09-25 | Google Llc | Local persisting of data for selectively offline capable voice action in a voice-enabled electronic device |
US9966073B2 (en) * | 2015-05-27 | 2018-05-08 | Google Llc | Context-sensitive dynamic update of voice to text model in a voice-enabled electronic device |
US9622177B2 (en) | 2015-08-06 | 2017-04-11 | Qualcomm Incorporated | Context aware system with multiple power consumption modes |
WO2017049137A1 (en) | 2015-09-17 | 2017-03-23 | Truemotion, Inc. | Systems and methods for detecting and assessing distracted drivers |
US11691565B2 (en) | 2016-01-22 | 2023-07-04 | Cambridge Mobile Telematics Inc. | Systems and methods for sensor-based detection, alerting and modification of driving behaviors |
US11072339B2 (en) | 2016-06-06 | 2021-07-27 | Truemotion, Inc. | Systems and methods for scoring driving trips |
WO2018005933A1 (en) * | 2016-07-01 | 2018-01-04 | Intel Corporation | Technologies for user-assisted machine learning |
EP3321844B1 (en) * | 2016-11-14 | 2021-04-14 | Axis AB | Action recognition in a video sequence |
KR20180111271A (ko) * | 2017-03-31 | 2018-10-11 | 삼성전자주식회사 | 신경망 모델을 이용하여 노이즈를 제거하는 방법 및 장치 |
WO2019105572A1 (en) * | 2017-12-01 | 2019-06-06 | Telefonaktiebolaget Lm Ericsson (Publ) | Selecting learning model |
WO2020016634A1 (en) * | 2018-07-18 | 2020-01-23 | Bosch Car Multimedia Portugal S.a. | Input apparatus for providing user feedback in respect of an electronic probability-based classifier |
CN109740620B (zh) * | 2018-11-12 | 2023-09-26 | 平安科技(深圳)有限公司 | 人群画像分类模型的建立方法、装置、设备和存储介质 |
US11676104B2 (en) * | 2019-06-17 | 2023-06-13 | Alibaba Group Holding Limited | Systems and methods for coordinating decisions between non-communicating parties |
IT201900016136A1 (it) | 2019-09-12 | 2021-03-12 | St Microelectronics Srl | Dispositivo elettronico di salvataggio efficiente di dati storici di sensori ambientali e relativo metodo |
EP3855348A1 (en) * | 2020-01-27 | 2021-07-28 | Microsoft Technology Licensing, LLC | Error management |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101919273A (zh) * | 2007-11-09 | 2010-12-15 | 谷歌公司 | 基于加速度计数据激活应用 |
US20110055121A1 (en) * | 2008-09-29 | 2011-03-03 | Ankur Datta | System and method for identifying an observed phenemenon |
WO2011058224A1 (en) * | 2009-11-11 | 2011-05-19 | Adfore Technologies Oy | A mobile device controlled by context awareness |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6627154B1 (en) * | 1998-04-09 | 2003-09-30 | Cyrano Sciences Inc. | Electronic techniques for analyte detection |
US7949529B2 (en) * | 2005-08-29 | 2011-05-24 | Voicebox Technologies, Inc. | Mobile systems and methods of supporting natural language human-machine interactions |
WO2010065067A1 (en) * | 2008-11-20 | 2010-06-10 | Bodymedia, Inc. | Method and apparatus for determining critical care parameters |
US20100146444A1 (en) * | 2008-12-05 | 2010-06-10 | Microsoft Corporation | Motion Adaptive User Interface Service |
FI20095570L (fi) * | 2009-05-22 | 2009-09-11 | Valtion Teknillinen | Kontekstin tunnistaminen mobiiliaitteissa |
US9197736B2 (en) * | 2009-12-31 | 2015-11-24 | Digimarc Corporation | Intuitive computing methods and systems |
US8121618B2 (en) * | 2009-10-28 | 2012-02-21 | Digimarc Corporation | Intuitive computing methods and systems |
US8175617B2 (en) * | 2009-10-28 | 2012-05-08 | Digimarc Corporation | Sensor-based mobile search, related methods and systems |
EP2588972A4 (en) * | 2010-07-01 | 2014-06-11 | METHOD AND APPARATUS FOR ADAPTING A CONTEXT MODEL |
-
2011
- 2011-12-21 CN CN201180076349.8A patent/CN104094287A/zh active Pending
- 2011-12-21 EP EP11877687.1A patent/EP2795538A4/en not_active Withdrawn
- 2011-12-21 US US14/365,937 patent/US20140324745A1/en not_active Abandoned
- 2011-12-21 WO PCT/FI2011/051145 patent/WO2013093173A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101919273A (zh) * | 2007-11-09 | 2010-12-15 | 谷歌公司 | 基于加速度计数据激活应用 |
US20110055121A1 (en) * | 2008-09-29 | 2011-03-03 | Ankur Datta | System and method for identifying an observed phenemenon |
WO2011058224A1 (en) * | 2009-11-11 | 2011-05-19 | Adfore Technologies Oy | A mobile device controlled by context awareness |
Non-Patent Citations (1)
Title |
---|
OLIVER BRDICZKA: "Learning Situation Models for Providing Context-Aware Services", 《HUMAN-COMPUTER INTERACTION》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107004093A (zh) * | 2014-12-23 | 2017-08-01 | 英特尔公司 | 提供基于位置的安全策略 |
US10565955B2 (en) | 2015-07-17 | 2020-02-18 | Boe Technology Group Co., Ltd. | Display status adjustment method, display status adjustment device and display device |
WO2017012321A1 (zh) * | 2015-07-17 | 2017-01-26 | 京东方科技集团股份有限公司 | 显示状态的调节方法、显示状态调节装置及显示装置 |
CN109314722A (zh) * | 2016-06-23 | 2019-02-05 | 皇家飞利浦有限公司 | 用于测量针对通知的用户可行性或接受能力的方法、装置和机器可读介质 |
CN106203380A (zh) * | 2016-07-20 | 2016-12-07 | 中国科学院计算技术研究所 | 超声波手势识别方法及*** |
CN106203380B (zh) * | 2016-07-20 | 2019-11-29 | 中国科学院计算技术研究所 | 超声波手势识别方法及*** |
CN106647355A (zh) * | 2016-11-09 | 2017-05-10 | 中国民用航空飞行学院 | 一种飞行情景环境评价的数据处理方法和*** |
CN106647355B (zh) * | 2016-11-09 | 2023-11-07 | 中国民用航空飞行学院 | 一种飞行情景环境评价的数据处理方法和*** |
CN109978170B (zh) * | 2019-03-05 | 2020-04-28 | 浙江邦盛科技有限公司 | 一种基于多要素的移动设备识别方法 |
CN109978170A (zh) * | 2019-03-05 | 2019-07-05 | 浙江邦盛科技有限公司 | 一种基于多要素的移动设备识别方法 |
CN110516760A (zh) * | 2019-09-02 | 2019-11-29 | Oppo(重庆)智能科技有限公司 | 情境识别方法、装置、终端及计算机可读存储介质 |
CN112560992A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 优化图片分类模型的方法、装置、电子设备及存储介质 |
CN112560992B (zh) * | 2020-12-25 | 2023-09-01 | 北京百度网讯科技有限公司 | 优化图片分类模型的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20140324745A1 (en) | 2014-10-30 |
EP2795538A4 (en) | 2016-01-27 |
EP2795538A1 (en) | 2014-10-29 |
WO2013093173A1 (en) | 2013-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104094287A (zh) | 用于情境识别的方法、装置以及计算机软件 | |
CN108875781B (zh) | 一种标签分类方法、装置、电子设备及存储介质 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN105444770A (zh) | 基于智能手机的车道级别地图生成和定位***及方法 | |
CN113377936A (zh) | 智能问答方法、装置及设备 | |
CN112766218B (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
CN111444341A (zh) | 用户画像构建方法、装置、设备及可读存储介质 | |
CN112862021B (zh) | 一种内容标注方法和相关装置 | |
CN112748453B (zh) | 道路侧定位方法、装置、设备及存储介质 | |
CN114299546A (zh) | 识别宠物身份的方法、装置、存储介质及电子设备 | |
CN114333997A (zh) | 数据处理、数据处理模型的训练方法、装置、设备及介质 | |
EP2751704B1 (en) | Method and apparatus for determining environmental context utilizing features obtained by multiple radio receivers | |
CN116259083A (zh) | 一种图像质量识别模型的确定方法和相关装置 | |
CN105451171B (zh) | 上传用户地理位置数据的方法及设备 | |
JP6927161B2 (ja) | 学習装置、予測装置、方法、及びプログラム | |
CN115080840A (zh) | 一种内容推送方法、装置及存储介质 | |
CN115378856B (zh) | 通讯检测方法、设备及存储介质 | |
CN113887534B (zh) | 一种对象检测模型的确定方法和相关装置 | |
CN113378966B (zh) | 一种基于弱监督学习的手机传感器数据标注方法 | |
CN117011649B (zh) | 一种模型训练方法和相关装置 | |
CN116776160B (zh) | 一种数据处理方法和相关装置 | |
US20210311208A1 (en) | Systems and methods for utilizing a machine learning model to determine a determined location of a vehicle based on a combination of a geographical location and a visual positioning system location | |
CN117873327A (zh) | 一种便于携带的智能手语翻译器 | |
CN117216377A (zh) | 一种模型确定方法和相关装置 | |
CN110969216A (zh) | 基于多模态传感器数据的移动设备后台应用预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20160112 Address after: Espoo, Finland Applicant after: Technology Co., Ltd. of Nokia Address before: Espoo, Finland Applicant before: Nokia Oyj |
|
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141008 |
|
WD01 | Invention patent application deemed withdrawn after publication |