CN115145525A - 屏幕亮度调节模型训练方法及装置、存储介质及电子设备 - Google Patents
屏幕亮度调节模型训练方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115145525A CN115145525A CN202210946198.7A CN202210946198A CN115145525A CN 115145525 A CN115145525 A CN 115145525A CN 202210946198 A CN202210946198 A CN 202210946198A CN 115145525 A CN115145525 A CN 115145525A
- Authority
- CN
- China
- Prior art keywords
- brightness
- adjustment
- target
- adjusting
- data
- 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 abstract description 69
- 238000012549 training Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 14
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 4
- 230000003252 repetitive effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
- G06F3/1407—General aspects irrespective of display type, e.g. determination of decimal point position, display with fixed or driving decimal point, suppression of non-significant zeros
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
- G09G5/10—Intensity circuits
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G2320/00—Control of display operating conditions
- G09G2320/06—Adjustment of display parameters
- G09G2320/0626—Adjustment of display parameters for control of overall brightness
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Controls And Circuits For Display Device (AREA)
- Television Receiver Circuits (AREA)
Abstract
本公开涉及移动终端技术领域,具体涉及一种屏幕亮度调节模型训练方法及装置、计算机可读存储介质及电子设备,方法包括:获取用户终端中各应用程序分别对应的历史亮度调节数据;将满足预设条件的历史亮度调节数据作为目标亮度调节数据;基于目标亮度调节数据,训练目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型;其中,屏幕亮度调节模型用于对用户终端进行屏幕亮度调节。本公开实施例的技术方案满足了不同用户的使用习惯,减少用户手动调节亮度的操作次数,增强用户体验。
Description
技术领域
本公开涉及移动终端技术领域,具体而言,涉及一种屏幕亮度调节模型训练方法及装置、计算机可读存储介质及电子设备。
背景技术
近年来,智能手机保有量持续增加,手机成为办公、娱乐的主力工具,人均使用时长稳步提升。为满足用户在不同场景下对屏幕亮度的需求,智能移动设备上增加了屏幕亮度的调节功能。
但是,相关技术中的屏幕亮度调节方案不能够完全适应用户的使用习惯,没有针对每一个用户的屏幕亮度调节方案。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种屏幕亮度调节模型训练方法、屏幕亮度调节模型训练装置、计算机可读介质和电子设备,进而能够满足了不同用户的使用习惯,减少用户手动调节亮度的操作次数,增强用户体验。
根据本公开的第一方面,提供一种屏幕亮度调节模型训练方法,包括:获取用户终端中各应用程序分别对应的历史亮度调节数据;将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据;基于所述目标亮度调节数据,训练所述目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型;其中,所述屏幕亮度调节模型用于对所述用户终端进行屏幕亮度调节。
根据本公开的第二方面,提供一种屏幕亮度调节方法,包括:响应用户启动目标应用程序,利用所述目标应用程序对应的屏幕亮度调节模型调节所述屏幕亮度;其中,屏幕亮度调节模型是由上述屏幕亮度调节模型训练方法训练得到的。
根据本公开的第三方面,提供一种屏幕亮度调节模型训练装置,包括:获取模块,用于获取用户终端中各应用程序分别对应的历史亮度调节数据;确定模块,用于将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据;训练模块,用于基于所述目标亮度调节数据,训练所述目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型;其中,所述屏幕亮度调节模型用于对所述用户终端进行屏幕亮度调节。
根据本公开的第四方面,提供一种计算机可读介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的方法。
根据本公开的第五方面,提供一种电子设备,其特征在于,包括:一个或多个处理器;以及存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现上述的方法。
本公开的一种实施例所提供的屏幕亮度调节模型训练方法,获取用户终端中各应用程序分别对应的历史亮度调节数据;将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据;基于所述目标亮度调节数据,训练所述目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型;其中,所述屏幕亮度调节模型用于对所述用户终端进行屏幕亮度调节。相较于现有技术,针对不同的用户以及不同的应用程序训练不同的屏幕亮度调节模型,可以针对不同的应用程序选用不同的模型,对每个应用程序的调节精度更高,提升用户体验。进一步的,屏幕亮度调节模型用于对所述用户终端进行屏幕亮度调节,即针对不同的用户终端采用不用的模型,利用用户终端中的历史亮度调节数据的训练模型,得到的模型更加适配于该用户终端对应的用户,减少了用户手动调节屏幕亮度的次数,增强了用户体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。在附图中:
图1示出了可以应用本公开实施例的一种示例性系统架构的示意图;
图2示意性示出本公开示例性实施例中一种屏幕亮度调节模型训练方法的流程图;
图3示意性示出本公开示例性实施例中一种重复性检测的流程图;
图4示意性示出本公开示例性实施例中一种训练屏幕亮度调节模型的流程图;
图5示意性示出本公开示例性实施例中另一种屏幕亮度调节模型训练方法的流程图;
图6示意性示出本公开示例性实施例中一种屏幕亮度调节方法的流程图;
图7示意性示出本公开示例性实施例中另一种屏幕亮度调节方法的流程图;
图8示意性示出本公开示例性实施例中一种模型更新的流程图;
图9示意性示出本公开示例性实施例中另一种模型更新的流程图;
图10示意性示出本公开示例性实施例中一种屏幕亮度调节方法数据流向图;
图11示意性示出本公开示例性实施例中屏幕亮度调节模型训练装置的组成示意图;
图12示出了可以应用本公开实施例的一种电子设备的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
相关技术中,通用的屏幕亮度调节方法为基于大数据和人眼主观感知来设计通用的背光曲线,利用智能设备上的光线传感器检测外界环境光强弱,根据传感器监听到的光强,经过一系列计算,输出对应的屏幕亮度。
现有技术中的方法未结合用户个人的用机习惯,无法针对用户的个性化需求进行智能调光。比如夜间昏暗场景下,某游戏深度用户经常在打深色画面的游戏时,为提高游戏体验,会向上调整背光亮度至最大值,针对这类单边调整行为,现有技术缺乏针对该类单边调整行为的学习能力。
基于上述确定,本公开首先提供一种屏幕亮度调节模型训练方法,图1示出了可以应用本公开屏幕亮度调节模型训练方法的系统架构的示意图,该系统架构100可以包括终端110与服务器120。其中,终端110可以是智能手机、平板电脑、台式电脑、笔记本电脑等终端设备,服务器120泛指提供本示例性实施方式中屏幕亮度调节模型训练相关服务的后台系统,可以是一台服务器或多台服务器形成的集群。终端110与服务器120之间可以通过有线或无线的通信链路形成连接,以进行数据交互。
在一种实施方式中,可以由终端110执行上述屏幕亮度调节模型训练方法。例如,用户使用终端110在提取到应用程序分别对应的历史亮度调节数据,由终端110对该图像进行屏幕亮度调节模型训练,输出屏幕亮度调节模型。
在一种实施方式中,可以由服务器120可以执行上述屏幕亮度调节模型训练方法。例如,用户使用终端110在提取到应用程序分别对应的历史亮度调节数据之后,终端110将该历史亮度调节数据上传至服务器120,由服务器120对屏幕亮度调节模型的训练,向终端110返回各用户终端对应的屏幕亮度调节模型。
由上可知,本示例性实施方式中的屏幕亮度调节模型方法的执行主体可以是上述终端110或服务器120,本公开对此不做限定。
下面结合图2对本示例性实施方式中的屏幕亮度调节模型训练方法进行说明,图2示出了该屏幕亮度调节模型训练方法的示例性流程,可以包括:
步骤S210,获取用户终端中各应用程序分别对应的历史亮度调节数据;
步骤S220,将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据;
步骤S230,基于所述目标亮度调节数据,训练所述目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型;
其中,所述屏幕亮度调节模型用于对所述用户终端进行屏幕亮度调节。
基于上述方法,第一方面,针对不同的用户以及不同的应用程序训练不同的屏幕亮度调节模型,可以针对不同的应用程序选用不同的模型,对每个应用程序的调节精度更高,提升用户体验。第二方面,屏幕亮度调节模型用于对所述用户终端进行屏幕亮度调节,即针对不同的用户终端采用不用的模型,利用用户终端中的历史亮度调节数据的训练模型,得到的模型更加适配于该用户终端对应的用户,减少了用户手动调节屏幕亮度的次数,增强了用户体验。
下面对图2中的每个步骤进行具体说明。
参考图2,在步骤S210中,获取用户终端中各应用程序分别对应的历史亮度调节数据。
在本公开的一种示例实施方式中,上述应用程序安装在上述用户终端,每一个用户终端上可以安装一个或多个应用程序,用户在使用不同应用程序时可能会采用不同的亮度,此时,由于用户终端无法自动调节,用户会手动调节至用户需求的亮度,例如夜间昏暗场景下,某游戏深度用户经常在打深色画面的游戏时,为提高游戏体验,会向上调整背光亮度至最大值。
在本示例实施方式中,可以将用户手动调节屏幕亮度的数据作为历史亮度调节数据,其中,每一个应用程序可以对应一个历史亮度调节数据,举例而言,用户终端中安装了A、B、C三个应用程序,则分别获取用户对A、B、C三个应用程序手动亮度调节操作对应的数据,并分别建立关于A、B、C三个应用程序对应的历史亮度调节数据。
在本示例实施方式中,上述历史亮度调节数据可以包括用户对该应用程序调整前的环境光亮度、调整前的当前屏幕亮度,调整后的目标屏幕亮度等,还可以包括调整前的屏幕色阶、色温和对比度等数据,还可以根据用户需求进行自定义,在本示例实施方式中不做具体限定。
在本公开的一种示例实施方式中,上述历史亮度调节数据可以包括一个月的亮度调节数据,也可以是35天的亮度调节数据,具体的时间范围该可以根据用户需求进行自定义,在本示例实施方式中不做具体限定。
在步骤S220中,将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据。
在本示例实施方式中,在获取到上述多个应用程序分别对应的历史亮度调节数据之后,可以对上述历史亮度调节数据进行检测,将满足预设条件历史亮度图调节数据作为上述目标亮度调节数据。
具体而言,可以首先对上述多个历史亮度调节数据进行非长尾性检测,具体的,可以针对每一组历史亮度调节数据,检测历史亮度调节数据中的亮度调节次数,以及历史亮度调节次数中出现亮度调节的天数,并在亮度调节次数大于第一阈值,且出现亮度调节的天数大于第二阈值的时,判定上述历史亮度调节数据非长尾性检测,可以将满足非长尾性检测的历史亮度调节数据确定为目标亮度调节数据。
在本示例实施方式中,假设上述历史亮度调节数据中的总天数为35天,此时,第一阈值可以是100次、120次或更多次,也可以是49次,55次等,还可以根据用户需求进行自定义,上述第二阈值可以是20天,28天等,也可以根据用户需进行自定义,在本示例实施方式中不做具体限定。
需要说明的是,上述第一阈值和第二阈值可以根据大数据统计的结果确定,以使得得到的目标历史数据的精度更高。
在本公开的另一种示例实施方式中,还可以对上述每一组历史亮度调节数据进行重复性检测,具体而言,参照图3所示,可以包括步骤S310至步骤S340。
在步骤S310中,确定所述历史亮度调节数据中,所述应用程序对应的日亮度调节次数的标准差和均值。
在本公开的一种示例实施方式中,可以确定上述各历史亮度调节数据中的所有天数分别对应的亮度调节次数,并计算多天中的亮度调节此处对应的标准差和均值,需要说明的是,此处的亮度调节此处指用户手动调节屏幕背光亮度的次数。
在步骤S320中,确定各所述历史亮度调节数据中的总天数,以及出现亮度调节的天数。
在步骤S330中,基于所述标准差、所述均值、所述总天数以及出现亮度调节的天数计算变异系数。
在本公开的一种示例实施方式中,可以确定上述历史亮度调节数据中的总天数,即上述的一个月、35天等,然后确定历史亮度调节数据中的出现亮度调节的天数。
在得到上述数据之后,可以利用上述标准差、均值、总天数以及出现亮度调节的天数计算变异系数,具体而言,可以利用变异系数计算公式计算上述变异系数,变异系数计算公式为:
其中,i表示历史亮度调节数据的序号,也可以表示应用程序的序号,σi表示上述标准差,μi表示上述均值,P表示上述历史亮度调节数据中的总天数,Q表示出现亮度调节的天数。
在步骤S340中,响应所述变异系数小于或等于第三阈值,将所述历史亮度调节数据作为所述目标亮度调节数据。
在本示例实施方式中,在得到上述变异系数之后,判断上述变异系数与第三阈值的大小,将变异系数小于等于上述第三阈值的历史亮度调节数据作为上述目标亮度调节数据。即在CVi<CVthres时,判定CVi对应的历史亮度调节数据满足重复性检测,将满足重复性检测的历史亮度调节数据作为目标亮度调节数据。
在公开的一种示例实施方式中,可以将全部通过上述非长尾性检测以及重复性检测的历史亮度调节数据作为上述目标亮度调节数据。
在本公开的另一种示例实施方式中,还可以对上述历史亮度调节数据进行单边显著性检测,具体而言,可以首先确定各历史亮度调节数据的亮度调节总次数;然后再确定各历史亮度调节数据的增大亮度的调节次数以及降低亮度的调节次数;基于增大亮度的调节次数、降低亮度的调节次数以及亮度调节总次数确定第一调节系数和第二调节系数;响应第一亮度系数或第二调节系数大于第四阈值,将历史亮度调节数据作为目标亮度调节数据。其中,第一亮度系数为增大亮度的调节次数与亮度调节总次数的比值,第一亮度系数为降低亮度的调节次数与亮度调节总次数的比值。
具体而言,可以采用如下公式计算第一系数:
具体而言,可以采用如下公式计算第二系数:
在本示例实施方式中,上述第四阈值的范围可以是80%,也可以是如85%、90%等,还可以根据用户需求进行自定义,在本示例实施方式中不做具体限定。
在示例实施方式中,在每一组历史亮度调节数据对应的第一系数与第二系数的和为1,在第一系数或第二系数中的任意一个大于上述第四阈值时,可以判定上述历史亮度调节数据满足单边显著性检测。可以将满足上述单边显著性检测的历史亮度调节数据作为上述目标亮度调节数据。
在本公开的一种示例实施方式中,可以将同时满足上述非长尾性检测、重复性检测以及单边显著性检测的历史亮度图调节数据作为上述目标亮度调节数据。
在筛选目标亮度调节数据的过程即选择能够采用模型调节亮度的应用程序的过程,即目标亮度调节数据对应的应用程序,能够采用本公开训练的屏幕亮度调节模型来该调节屏幕背光亮度。
在步骤S230中,基于所述目标亮度调节数据,训练所述目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型;
其中,所述屏幕亮度调节模型用于对所述用户终端进行屏幕亮度调节。
在本公开的一种示例实施方式中,在得到上述目标亮度调节调节数据之后,可以利用经验法则更新上述目标亮度调节数据,举例而言,假设上述目标亮度数据中的调整后目标屏幕亮度为L,即每一组目标亮度数据中的调整有目标屏幕亮度应当是正太分布的,若上述目标亮度调节数据中存在不符合上述正太分布的目标屏幕亮度,则将其剔除,剔除是可以采用经验法则,即3-sigma规则进行剔除,重复迭代直至所有的目标屏幕亮度均在3-sigma以内为止。
在本公开的一种示例实施方式中,在更新上述目标亮度调节数据时,不仅限于上述调整后目标屏幕亮度,还可以调整上述调整后目标屏幕亮度与调整前亮度的差值,即调整幅度,同理,上述调整幅度符合正太分布,计算调整调整幅度的均值和方差,利用经验法则,即3-sigma规则进行剔除不符合的调整对应的数据,重复迭代直至所有的调整幅度均在3-sigma以内为止。
在本示例实施方式中,调整前亮度值可以是终端根据环境光自动调整后的亮度值,即该终端所有界面通用的亮度值,也可以是用户上次启动该应用程序时为该应用程序所在界面设置的亮度值,在本示例实施方式中不做具体限定。
在本公开的一种示例实施方式中,在更新上述目标亮度调节数据时,还可以调整上述目标屏幕亮度与原始曲线背光的差值,该差值符合正太分布,即计算多测亮度调节时,该差值的均值和方差,然后利用经验法则,即3-sigma规则进行剔除不符合的调整对应的数据,重复迭代直至所有的上述差值均在3-sigma以内为止。在本示例实施方式中上述原始曲线背光表示终端根据环境光自动调整后的亮度值,即该终端所有界面通用的亮度值。
在经过上述对上述目标亮度数据的处理之后,可以利用上述目标亮度调节数据训练目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型,具体而言,可以参照图4所示,包括步骤S410至步骤S440。
在步骤S410中,获取多个屏幕亮度调节方案。
在本示例实施方式中,此处的多个屏幕亮度调节方案至模型的不同,例如,上述模型输出对应的真实数据不同,如目标屏幕亮度与原始曲线背光的差值、调整后目标屏幕亮度、调整幅度等。
关于目标屏幕亮度与原始曲线背光的差值、调整后目标屏幕亮度、调整幅度等的说明可以参考对上述目标亮度调节数据的更新过程,此处不再赘述。
在步骤S420中,对各所述屏幕亮度调节方案进行可信度评估。
在步骤S430中,基于可信度最高的屏幕亮度调节方案建立所述目标亮度调节数据指示的应用程序对应的初始模型。
在本示例实施方式中,基于上述目标屏幕亮度与原始曲线背光的差值、调整后目标屏幕亮度、调整幅度分别对应方差来确定分别对应的可信度。
具体而言,在计算得到上述目标屏幕亮度与原始曲线背光的差值的方差、调整后目标屏幕亮度的方差以及调整幅度的方差之后,对比上述三个方差的大小,方差越小,则可信度越高,可以将方差最小的,即可信度最高的作为上述模型输出对应的真实数据。
此时,可以构建初始模型,初始模型的输入可以包括调整前的环境光亮度、调整前的当前屏幕亮度,还可以包括调整前的屏幕色阶、色温和对比度等数据,还可以根据用户需求进行自定义。
模型的输出可以根据了可信度最高的亮度调节方案确定,举例而言,若上述三个方差中,调整后目标屏幕平度对应的方差最小,则模型的输出为调整后参考屏幕亮度。
在步骤S440中,利用所述目标亮度调节数据对所述初始模型进行训练得到所述屏幕亮度调节模型。
基于上述目标屏幕亮度与上述参考屏幕亮度之间的差值更新模型的参数,以完成对上述初始模型的训练,进而得到上述与屏幕亮度调节模型。
下面参照图5对上述屏幕亮度调节模型的训练方法进行整体概述,首先可以执行步骤S510,获取历史亮度调节数据,然后执行步骤S520,判定上述历史亮度调节数据是否满足非长尾性检测检测,若不满足,则结束,若满足,则执行步骤S530,判读上述历史亮度调节数据是否满足重复性检测,若不满足,则结束,若满足,则执行步骤S540,判断上述历史亮度调节数据是否满足单边显著性检测,若不满足,则结束,若满足,则执行步骤S550,将历史亮度调节数据判定为目标亮度调节数据,然后执行步骤S560,利用经验法则对上述更新目标亮度调节数据,以完成离群样本提出。同时可以执行步骤,S570,屏幕亮度调节方案,然后执行步骤S580,确定可信度最高的亮度调节方案,并建立初始模型;之后执行步骤S590,利用目标亮度调节数据,训练上述初始模型得到屏幕亮度调节模型。
综上所述,本示例性实施方式中,针对不同的用户以及同的应用程序训练不同的屏幕亮度调节模型,可以针对不同的应用程序选用不同的模型,对每个应用程序的调节精度更高,提升用户体验。进一步的,屏幕亮度调节模型用于对所述用户终端进行屏幕亮度调节,即针对不同的用户终端采用不用的模型,利用用户终端中的历史亮度调节数据的训练模型,得到的模型更加适配于该用户终端对应的用户,增强了用户体验。再进一步的,对上述历史调节数据进行了非长尾性检测、重复性检测以及单边显著性检测,能够加强得到的目标亮度调节数据的精度,同时利用经验法则对上述目标亮度调节数据进行了离群样本提出,进一步的提升了目标亮度调节数据的精度,使得训练得到屏幕亮度数据的调整精度更更高,减少了用户手动调节屏幕亮度的次数,很大程度上增强用户体验。
进一步的,本公开还提供一种屏幕亮度调节方法,参照图6所示,包括如下步骤S610。
在步骤S610中,响应用户启动目标应用程序,利用所述目标应用程序对应的屏幕亮度调节模型调节所述屏幕亮度。
其中,所述屏幕亮度调节模型是上述屏幕亮度调节模型训练方法训练得到的。屏幕亮度调节模型的训练方法上述已经进行了详细说明,因此,此处不再赘述。
在本示例实施方式中,参照图7所示,响应用户启动目标应用程序,利用所述目标应用程序对应的屏幕亮度调节模型调节所述屏幕亮度可以包括步骤S710和步骤S720。
在步骤S710中,响应用户启动目标应用程序,判定所述目标应用程序是否存在对应的屏幕亮度调节模型。
在本示例实施方式中,在用户启动目标应用程序时,处理器可以首先判定上述应用程序是否存在对应的屏幕亮度调节模型,若不存在,则此时的亮度值调整为上次启动该应用程序时的亮度值,或者直接将此时的亮度值调整为用户根据环境光亮度调整的通用亮度。
在步骤S720中,响应所述目标应用程序存在对应的屏幕亮度调节模型,利用所述目标应用程序对应的屏幕亮度调节模型调节所述屏幕亮度。
在本示例实施方式中,在本示例实时方式中,若上述目标应用程序存在对应的屏幕亮度调节模型,则利用上述目标应用程序对应的屏幕亮度调节模型得到需要的目标亮度,然后将该目标应用程序对应的界面的屏幕亮度调节至上述目标亮度。
在本示例实施方式中,在将该目标应用程序对应的界面的屏幕亮度调节至上述目标亮度时,可以逐次调节,即在预设次数内将该目标应用程序内的所有界面的亮度值调整至目标亮度,举例而言,用户启动目标应用程序时用户终端通用亮度为200Nit,计算得到的目标亮度为200Nit,此时在用户启动目标应用程序之后,可以首先将上述目标应用长须内的亮度调节为280Nit,并在用户第二次启动上述目标应用程序时,将亮度调整至目标亮度,即300Nit。
需要说明的是,上述预设次数可以是两次,三次等,还可以根据用户需求进行自定义,在本示例实施方式中不做具体限定。
在本公开的一种示例实施方式中,参照图8所示,上述屏幕亮度调节方法还可以包括步骤S810至步骤S830。
在步骤S810中,确定所述目标应用程序利用所述屏幕亮度调节模型的调节总次数;
在步骤S820中,确定所述目标应用程序利用所述屏幕亮度调节模型调节后,用户未进行二次手动调节的实用次数。
在本示例实施方式中,在使用上述屏幕亮度调节模型经过时间阈值周后,可以确定上述目标应用程序利用上述屏幕亮度调节模型的调节总次数,同时确定目标应用程序利用所述屏幕亮度调节模型调节后,用户未进行二次手动调节的实用次数。
在步骤S830中,响应所述实用次数与所述总次数的比值小于第五阈值,利用用户二次手动调节后的屏幕亮度调节数据更新所述目标应用程序对应的屏幕亮度调节模型。
在本示例实施方式中,可以计算上述实用次数与上述总次数的比值作为收益系数,具体而言:
其中,n代表实用次数,N代表总次数,R表示收益系数。
在本示例实施方式中,在上述收益系数大于上述第五阈值时,代表上述屏幕亮度模型的精度较高无需更新,若上述收益系数小于上述第五阈值时,代表上述屏幕亮度模型的精度已经无法满足用户需求,此时可以利用用户二次手动调节后的屏幕亮度数据更新上述目标应用程序对应的屏幕亮度调节模型,其中,上述第五阈值可以90%、95%等,还可以根据用户需求进行自定义,在本示例实施方式中不做具体限定。
在本公开的一种示例实施方式中,参照图9所示,上述屏幕亮度调节方法还可以包括步骤S910至步骤S950。
在步骤S910中,确定所述用户二次手动调节过后的屏幕亮度值与所述目标亮度之间的第一差值;
在步骤S920中,确定所述用户二次手动调节过后的屏幕亮度值与未经过所述亮度调节模型调节之前的初始亮度的第二差值;
在步骤S930中,基于所述第一差值和所述第二差值计算所述模型的第一预期优化幅度。
在本公开的一种示例实施方式中,在得到上述第一差值和第二差值之后,可以利用如下公式就算上述第一预期优化幅度,具体而言,
5=abs(L二次手动调节过后的屏幕亮度值-L目标亮度)
5*=abs(L二次手动调节过后的屏幕亮度值-L初始亮度)
其中,5表示第一差值的绝对值,5*表示第二差值的绝对值,pi表示权重,tanh()为双曲正切函数,EI模型建议值表示第一预期优化幅度。
在步骤S940中,获取所述终端的原始调节方案的第二预期优化幅度;
在步骤S950中,基于所述第一预期优化幅度和所述第二预期优化幅度确定目标预期优化幅度。
在本公开的一种示例实施方式中,第二预期优化幅度是用户内部设置的根据环境光调节亮度的通用调节方式对应的优化幅度,可以直接在用户终端内部获取。
在得到上述第一预期优化幅度和所述第二预期优化幅度之后,可以将上述第一预期优化幅度和所述第二预期优化幅度的差值作为上述目标预期优化幅度,具体而言:
ΔEI=EI模型建议值-EI通用曲线建议值
其中,ΔEI表示目标预期优化幅度,EI通用曲线建议值表示第二预期优化幅度。
在步骤S960中,响应所述目标预期优化幅度小于第六阈值,利用用户二次手动调节后的屏幕亮度调节数据更新所述目标应用程序对应的屏幕亮度调节模型。
在本示例实施方式中,在得到上述目标预期优化幅度之后,可以判断上述目标预期优化幅度与第六阈值的大小关系,若上述目标预期优化幅度大于或等于上述第六阈值,则表述屏幕亮度调节模型的精度较高,若目标预期优化幅度小于上述第六阈值,则代表屏幕亮度模型的精度已经无法满足用户需求,此时可以利用用户二次手动调节后的屏幕亮度数据更新上述目标应用程序对应的屏幕亮度调节模型。其中,上述第六阈值可以根据用户需求进行自定义,在本示例实施方式中不对其进行具体限定。
下面参照图10对上述屏幕亮度调节方法的具体应用进行详细描述,首先,可以执行步骤S1001,数据读入,即利用200毫秒的步长在应用程序中读取屏幕强度调节数据,然后执行步骤S1002,数据清理和异常处理,即将读入时读入的异常数据进行清理,并同时执行步骤S1003,将清理后数据存储至实时存储队列1010,之后执行步骤S1004,策略激活判断,判断该应用程序是否存在对应的屏幕亮度调节模型,同时执行步骤S1005,存储判断,在该应用程序存在对应的屏幕亮度调节模型时,将上述屏幕亮度调节数据存储至长期存储模块1020,处理器通过定时器1030在上述长期存储模块1020获取历史亮度调节,然后执行步骤S1006.模型训练,在训练后由评估模块1040对模型进行评估,之后执行步骤S1007,模型部署,将该应用程度对应的模型部署在所述应用程度对应的调节阶段,然后经由探针系统1050和模拟器1060完成对上述模型的亮度的调整。
在本示例实施方式中,若用户进行了二次手动调整,执行步骤S1008,对二次调整的数据打上标签;并同时将二次调整的数据存储至上长期存储模块1020,并执行步骤S1009,终止策略判断,具体而言,通过预防系统1070终止策略激活判断的步骤,及终止步骤S1004。
需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
进一步的,参考图11所示,本示例的实施方式中还提供一种屏幕亮度调节模型训练装置1100,包括获取模块1110、确定模块1120和训练模块1130。其中:
获取模块1120可以用于获取用户终端中各应用程序分别对应的历史亮度调节数据。
确定模块1120可以用于将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据。
在本公开的一种示例实施方式中,确定模块1120可以被配置为响应所述历史亮度调节数据中的亮度调节次数大于第一阈值,且所述历史亮度调节数据中出现亮度调节的天数大于第二阈值,将所述历史亮度调节数据作为所述目标亮度调节数据。
在本公开的一种示例实施方式中,确定模块1120可以被配置为确定所述历史亮度调节数据中,所述应用程序对应的日亮度调节次数的标准差和均值;确定各所述历史亮度调节数据中的总天数,以及出现亮度调节的天数;基于所述标准差、所述均值、所述总天数以及出现亮度调节的天数计算变异系数;响应所述变异系数小于或等于第三阈值,将所述历史亮度调节数据作为所述目标亮度调节数据。
在本公开的一种示例实施方式中,确定模块1120可以被配置为确定各所述历史亮度调节数据的亮度调节总次数;确定各所述历史亮度调节数据的增大亮度的调节次数以及降低亮度的调节次数;基于所述增大亮度的调节次数、所述降低亮度的调节次数以及所述亮度调节总次数确定第一调节系数和第二调节系数;响应所述第一亮度系数或第二调节系数大于所述第四阈值,将所述历史亮度调节数据作为所述目标亮度调节数据。其中,所述第一亮度系数为增大亮度的调节次数与亮度调节总次数的比值,所述第一亮度系数为降低亮度的调节次数与亮度调节总次数的比值。
训练模块1130可以用于基于所述目标亮度调节数据,训练所述目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型。
在一种示例实施方式中,上述训练模块1130可以被配置为获取多个屏幕亮度调节方案;对各所述屏幕亮度调节方案进行可信度评估;基于可信度最高的屏幕亮度调节方案建立所述目标亮度调节数据指示的应用程序对应的初始模型;利用所述目标亮度调节数据对所述初始模型进行训练得到所述屏幕亮度调节模型。
上述装置中各模块的具体细节在方法部分实施方式中已经详细说明,未披露的细节内容可以参见方法部分的实施方式内容,因而不再赘述。
本公开的示例性实施方式还提供一种用于执行上述屏幕亮度调节模型方法的电子设备,该电子设备可以是上述终端110或服务器120。一般的,该电子设备可以包括处理器与存储器,存储器用于存储处理器的可执行指令,处理器配置为经由执行可执行指令来执行上述屏幕亮度调节模型方法。
下面以图12中的移动终端1200为例,对该电子设备的构造进行示例性说明。本领域技术人员应当理解,除了特别用于移动目的的部件之外,图12中的构造也能够应用于固定类型的设备。
如图12所示,移动终端1200具体可以包括:处理器1201、存储器1202、总线1203、移动通信模块1204、天线1、无线通信模块1205、天线2、显示屏1206、摄像模块1207、音频模块1208、电源模块1209与传感器模块1210。
处理器1201可以包括一个或多个处理单元,例如:处理器1201可以包括AP(Application Processor,应用处理器)、调制解调处理器、GPU(Graphics ProcessingUnit,图形处理器)、ISP(Image Signal Processor,图像信号处理器)、控制器、编码器、解码器、DSP(Digital Signal Processor,数字信号处理器)、基带处理器和/或NPU(Neural-Network Processing Unit,神经网络处理器)等。本示例性实施方式中的屏幕亮度调节模型训练方法可以由AP、GPU或DSP来执行,当方法涉及到神经网络相关的处理时,可以由NPU来执行。
处理器1201可以通过总线1203与存储器1202或其他部件形成连接。
存储器1202可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理器1201通过运行存储在存储器1202的指令,执行移动终端1200的各种功能应用以及数据处理。存储器1202还可以存储应用数据,例如存储图像,视频等文件。
移动终端1200的通信功能可以通过移动通信模块1204、天线1、无线通信模块1205、天线2、调制解调处理器以及基带处理器等实现。天线1和天线2用于发射和接收电磁波信号。移动通信模块204可以提供应用在移动终端1200上2G、3G、4G、5G等移动通信解决方案。无线通信模块1205可以提供应用在移动终端1200上的无线局域网、蓝牙、近场通信等无线通信解决方案。
显示屏1206用于实现显示功能,如显示用户界面、图像、视频等。摄像模块1207用于实现拍摄功能,如拍摄图像、视频等。音频模块1208用于实现音频功能,如播放音频,采集语音等。电源模块1209用于实现电源管理功能,如为电池充电、为设备供电、监测电池状态等。传感器模块1210可以包括深度传感器12101、压力传感器12102、陀螺仪传感器12103、气压传感器12104等,以实现相应的感应检测功能。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
本公开的示例性实施方式还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
此外,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (14)
1.一种屏幕亮度调节模型训练方法,其特征在于,包括:
获取用户终端中各应用程序分别对应的历史亮度调节数据;
将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据;
基于所述目标亮度调节数据,训练所述目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型;
其中,所述屏幕亮度调节模型用于对所述用户终端进行屏幕亮度调节。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标亮度调节数据,训练所述目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型包括:
获取多个屏幕亮度调节方案;
对各所述屏幕亮度调节方案进行可信度评估;
基于可信度最高的屏幕亮度调节方案建立所述目标亮度调节数据指示的应用程序对应的初始模型;
利用所述目标亮度调节数据对所述初始模型进行训练得到所述屏幕亮度调节模型。
3.根据权利要求1所述的方法,其特征在于,所述将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据,包括:
响应所述历史亮度调节数据中的亮度调节次数大于第一阈值,且所述历史亮度调节数据中出现亮度调节的天数大于第二阈值,将所述历史亮度调节数据作为所述目标亮度调节数据。
4.根据权利要求1所述的方法,其特征在于,所述将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据,包括:
确定所述历史亮度调节数据中,所述应用程序对应的日亮度调节次数的标准差和均值;
确定各所述历史亮度调节数据中的总天数,以及出现亮度调节的天数;
基于所述标准差、所述均值、所述总天数以及出现亮度调节的天数计算变异系数;
响应所述变异系数小于或等于第三阈值,将所述历史亮度调节数据作为所述目标亮度调节数据。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据,包括:
确定各所述历史亮度调节数据的亮度调节总次数;
确定各所述历史亮度调节数据的增大亮度的调节次数以及降低亮度的调节次数;
基于所述增大亮度的调节次数、所述降低亮度的调节次数以及所述亮度调节总次数确定第一调节系数和第二调节系数;
响应所述第一亮度系数或第二调节系数大于所述第四阈值,将所述历史亮度调节数据作为所述目标亮度调节数据;
其中,所述第一亮度系数为增大亮度的调节次数与亮度调节总次数的比值,所述第一亮度系数为降低亮度的调节次数与亮度调节总次数的比值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于经验法则更新所述目标亮度调节数据,以完成对所述目标亮度调节数据的离群样本剔除。
7.一种屏幕亮度调节方法,其特征在于,包括:
响应用户启动目标应用程序,利用所述目标应用程序对应的屏幕亮度调节模型调节所述屏幕亮度;
其中,所述屏幕亮度调节模型是由权利要求1至6中任一项所述的屏幕亮度调节模型训练方法训练得到的。
8.根据权利要求7所述的方法,其特征在于,响应用户启动目标应用程序,利用所述目标应用程序对应的屏幕亮度调节模型调节所述屏幕亮度,包括:
响应用户启动目标应用程序,判定所述目标应用程序是否存在对应的屏幕亮度调节模型;
响应所述目标应用程序存在对应的屏幕亮度调节模型,利用所述目标应用程序对应的屏幕亮度调节模型调节所述屏幕亮度。
9.根据权利要求7所述的方法,其特征在于,所述利用所述目标应用程序对应的屏幕亮度调节模型调节所述屏幕亮度,包括:
基于所述屏幕亮度调节模型的输出确定目标亮度;
在预设次数内将所述屏幕亮度调整为所述目标亮度。
10.根据权利要求8所述的方法,其特征在于,所述方法还包括:
确定所述目标应用程序利用所述屏幕亮度调节模型的调节总次数;
确定所述目标应用程序利用所述屏幕亮度调节模型调节后,用户未进行二次手动调节的实用次数;
响应所述实用次数与所述总次数的比值小于第五阈值,利用用户二次手动调节后的屏幕亮度调节数据更新所述目标应用程序对应的屏幕亮度调节模型。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
确定所述用户二次手动调节过后的屏幕亮度值与所述目标亮度之间的第一差值;
确定所述用户二次手动调节过后的屏幕亮度值与未经过所述亮度调节模型调节之前的初始亮度的第二差值;
基于所述第一差值和所述第二差值计算所述模型的第一预期优化幅度;
获取所述终端的原始调节方案的第二预期优化幅度;
基于所述第一预期优化幅度和所述第二预期优化幅度确定目标预期优化幅度;
响应所述目标预期优化幅度小于第六阈值,利用用户二次手动调节后的屏幕亮度调节数据更新所述目标应用程序对应的屏幕亮度调节模型。
12.一种屏幕亮度调节模型训练装置,其特征在于,包括:
获取模块,用于获取用户终端中各应用程序分别对应的历史亮度调节数据;
确定模块,用于将满足预设条件的所述历史亮度调节数据作为目标亮度调节数据;
训练模块,用于基于所述目标亮度调节数据,训练所述目标亮度调节数据指示的应用程序对应的屏幕亮度调节模型;
其中,所述屏幕亮度调节模型用于对所述用户终端进行屏幕亮度调节。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至11中任一项所述的屏幕亮度调节模型训练方法。
14.一种电子设备,其特征在于,包括:
一个或多个处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至11中任一项所述的屏幕亮度调节模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946198.7A CN115145525A (zh) | 2022-08-08 | 2022-08-08 | 屏幕亮度调节模型训练方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946198.7A CN115145525A (zh) | 2022-08-08 | 2022-08-08 | 屏幕亮度调节模型训练方法及装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115145525A true CN115145525A (zh) | 2022-10-04 |
Family
ID=83413389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210946198.7A Pending CN115145525A (zh) | 2022-08-08 | 2022-08-08 | 屏幕亮度调节模型训练方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115145525A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113040993A (zh) * | 2020-12-29 | 2021-06-29 | 重庆医科大学附属第一医院 | 脊椎复位床 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951596A (zh) * | 2017-12-20 | 2019-06-28 | 广东欧珀移动通信有限公司 | 屏幕亮度的调节方法、装置、存储介质及移动终端 |
CN109951594A (zh) * | 2017-12-20 | 2019-06-28 | 广东欧珀移动通信有限公司 | 屏幕亮度的智能调节方法、装置、存储介质及移动终端 |
CN112203021A (zh) * | 2020-09-30 | 2021-01-08 | 歌尔科技有限公司 | 亮度控制参数调节方法、装置、电子设备及可读存储介质 |
CN113271422A (zh) * | 2021-05-11 | 2021-08-17 | 深圳创维-Rgb电子有限公司 | 亮度调节方法、装置、电视机以及计算机可读存储介质 |
CN114235148A (zh) * | 2022-02-25 | 2022-03-25 | 南京信息工程大学 | 一种基于夜光遥感数据的道路夜间照明质量监测方法 |
-
2022
- 2022-08-08 CN CN202210946198.7A patent/CN115145525A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951596A (zh) * | 2017-12-20 | 2019-06-28 | 广东欧珀移动通信有限公司 | 屏幕亮度的调节方法、装置、存储介质及移动终端 |
CN109951594A (zh) * | 2017-12-20 | 2019-06-28 | 广东欧珀移动通信有限公司 | 屏幕亮度的智能调节方法、装置、存储介质及移动终端 |
CN112203021A (zh) * | 2020-09-30 | 2021-01-08 | 歌尔科技有限公司 | 亮度控制参数调节方法、装置、电子设备及可读存储介质 |
CN113271422A (zh) * | 2021-05-11 | 2021-08-17 | 深圳创维-Rgb电子有限公司 | 亮度调节方法、装置、电视机以及计算机可读存储介质 |
CN114235148A (zh) * | 2022-02-25 | 2022-03-25 | 南京信息工程大学 | 一种基于夜光遥感数据的道路夜间照明质量监测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113040993A (zh) * | 2020-12-29 | 2021-06-29 | 重庆医科大学附属第一医院 | 脊椎复位床 |
CN113040993B (zh) * | 2020-12-29 | 2023-08-11 | 重庆医科大学附属第一医院 | 脊椎复位床 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3579544A1 (en) | Electronic device for providing quality-customized image and method of controlling the same | |
KR20190053074A (ko) | 2-단계 모션 보상을 가진 콘볼루션 뉴럴 네트워크를 사용하는 비디오 슈퍼 해상도를 위한 방법 및 장치 | |
CN111314733A (zh) | 用于评估视频清晰度的方法和装置 | |
CN102760077A (zh) | 基于人脸识别自适应应用情景模式的方法和设备 | |
CN112289279B (zh) | 屏幕亮度调整方法、装置、存储介质与电子设备 | |
CN111866483B (zh) | 颜色还原方法及装置、计算机可读介质和电子设备 | |
JP7209851B2 (ja) | 画像変形の制御方法、装置およびハードウェア装置 | |
CN108881781B (zh) | 视频通话过程中分辨率的确定方法及装置 | |
CN111327865A (zh) | 视频传输方法、装置及设备 | |
CN110570383B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN112634872A (zh) | 语音设备唤醒方法及装置 | |
CN113449851A (zh) | 数据处理方法及设备 | |
CN115145525A (zh) | 屏幕亮度调节模型训练方法及装置、存储介质及电子设备 | |
CN110490389B (zh) | 点击率预测方法、装置、设备及介质 | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN109359727B (zh) | 神经网络的结构确定方法、装置、设备及可读介质 | |
CN113902636A (zh) | 图像去模糊方法及装置、计算机可读介质和电子设备 | |
US20210211566A1 (en) | Image processing method and apparatus, and electronic device and storage medium | |
CN113342229A (zh) | 调节字体大小的方法、装置、终端设备以及计算机可读存储介质 | |
CN113923378A (zh) | 视频处理方法、装置、设备及存储介质 | |
CN113066020A (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
CN109218620B (zh) | 基于环境亮度的拍照方法、装置、存储介质及移动终端 | |
CN110197459B (zh) | 图像风格化生成方法、装置及电子设备 | |
CN108665455B (zh) | 图像显著性预测结果的评价方法和装置 | |
CN115936092A (zh) | 神经网络模型量化方法及装置、存储介质及电子设备 |
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 |