CN116312419A - 自适应显示器亮度调整 - Google Patents

自适应显示器亮度调整 Download PDF

Info

Publication number
CN116312419A
CN116312419A CN202310334827.5A CN202310334827A CN116312419A CN 116312419 A CN116312419 A CN 116312419A CN 202310334827 A CN202310334827 A CN 202310334827A CN 116312419 A CN116312419 A CN 116312419A
Authority
CN
China
Prior art keywords
brightness
display
current
luminance
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.)
Pending
Application number
CN202310334827.5A
Other languages
English (en)
Inventor
T·德格里斯
B·H·默多克
N·卡萨格兰德
P·阿加瓦尔
C·甘布尔
C·S·福格纳
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.)
Google LLC
Original Assignee
Google LLC
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 Google LLC filed Critical Google LLC
Priority to CN202310334827.5A priority Critical patent/CN116312419A/zh
Publication of CN116312419A publication Critical patent/CN116312419A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • H05B47/105—Controlling the light source in response to determined parameters
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • G09G3/34—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source
    • G09G3/36—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters by control of light from an independent source using liquid crystals
    • 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
    • G09G2320/0606—Manual adjustment
    • 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
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2330/00—Aspects of power supply; Aspects of display protection and defect management
    • G09G2330/02—Details of power systems and of start or stop of display operation
    • G09G2330/021—Power management, e.g. power saving
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2354/00—Aspects of interface with display user
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2360/00—Aspects of the architecture of display systems
    • G09G2360/14—Detecting light within display terminals, e.g. using a single or a plurality of photosensors
    • G09G2360/144—Detecting light within display terminals, e.g. using a single or a plurality of photosensors the light being ambient light

Abstract

一种用于自适应显示器亮度调整的计算机实施的方法，该方法包括：获得表征具有亮度可调整的显示器的设备的当前状态的当前状态数据；将当前状态数据作为输入提供给亮度预测机器学习模型，其中该模型被配置为根据模型参数集合的当前值来处理当前状态数据，以生成用于设备的显示器的建议显示器亮度作为输出；根据探索策略将显示器的亮度设置为低于建议显示器亮度的亮度；确定设备的用户是否手动调整显示器亮度；以及响应于确定用户没有手动调整显示器亮度，使用更低的亮度作为用于调整模型参数集合的当前值的目标输出。

Description

自适应显示器亮度调整
本申请是申请日为2017年12月15日、申请号为201780096387.7、发明名称为“自适应显示器亮度调整”的发明专利申请的分案申请。
技术领域
本说明书一般涉及计算设备的显示器的亮度的自适应调整。
背景技术
一些计算设备，例如移动电话、平板计算机或其他移动设备，被配备有亮度可调整的显示器。显示器的亮度可以由设备的用户设置和调整。显示器的亮度也可以通过基于例如周围环境照明的自动亮度策略而设置。
一些设备附加地被配备有为设备供电的电池。电池的耗尽速率可能取决于显示器的亮度。
发明内容
本说明书描述了与用于设置用户设备的显示器的亮度的自适应亮度系统相关的技术。
提供了一种由一个或多个数据处理装置执行的方法，所述方法包括：获得表征具有可调亮度显示器的用户设备的当前状态的当前状态数据；将所述当前状态数据作为输入提供给亮度预测机器学习模型，其中所述模型被配置为根据模型参数集合的当前值来处理所述当前状态数据，以生成针对所述用户设备的显示器的建议的显示器亮度作为输出；根据探索策略将显示器的亮度设置为低于建议的显示器亮度的亮度；以及基于在显示器亮度被设置为较低亮度之后用户设备的用户是否手动调整显示器亮度，确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
提供了存储指令的一个或多个非暂时性计算机存储介质，当由一个或多个计算机执行时，所述指令使得一个或多个计算机执行操作，包括：获得表征具有可调亮度显示器的用户设备的当前状态的当前状态数据；将所述当前状态数据作为输入提供给亮度预测机器学习模型，其中所述模型被配置为根据模型参数集合的当前值来处理所述当前状态数据，以生成针对所述用户设备的显示器的建议的显示器亮度作为输出；根据探索策略将显示器的亮度设置为低于建议的显示器亮度的亮度；以及基于在显示器亮度被设置为较低亮度之后用户设备的用户是否手动调整显示器亮度，确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
根据第一方面，提供了一种用于自适应显示器亮度调整的方法，该方法包括：获得表征具有亮度可调整的显示器的用户设备的当前状态的当前状态数据；将当前状态数据作为输入提供给亮度预测机器学习模型，其中该模型被配置为根据模型参数集合的当前值来处理当前状态数据，以生成用于用户设备的显示器的建议显示器亮度作为输出；根据探索策略将显示器的亮度设置为低于建议显示器亮度的亮度；确定用户设备的用户是否手动调整显示器亮度；以及响应于确定用户没有手动调整显示器亮度，使用更低的亮度作为用于调整模型参数集合的当前值的目标输出。
在一些实施方式中，该方法还包括：响应于确定设备的用户将显示器亮度手动调整为手动亮度，使用手动亮度作为用于调整模型参数集合的当前值的目标输出。
在一些实施方式中，该方法还包括：基于目标输出来确定对模型参数集合的当前值的调整；根据所确定的调整和权重值来修改模型参数集合的当前值，其中：响应于确定用户没有手动调整显示器亮度，权重值被设置为第一权重值；响应于确定用户将显示器亮度手动调整为手动亮度，权重值被设置为第二权重值；并且第一权重值小于第二权重值。
在一些实施方式中，模型输出定义对显示器的基线显示器亮度的建议调整，其中：基线显示器亮度由预定基线亮度预测模型的输出确定，该预定基线亮度预测模型被配置为根据特定模型参数集合的固定值来处理周围环境照明数据，以生成用于显示器的基线显示器亮度作为输出；并且用于用户设备的显示器的建议显示器亮度通过将基线显示器亮度与对基线显示器亮度的建议调整进行组合而确定。
在一些实施方式中，模型的模型参数集合的当前值是基于来自多个附加用户设备的记录的亮度数据而确定的。
在一些实施方式中，探索策略指定将显示器的亮度设置为大于显示器的亮度的下限。
在一些实施方式中，该方法还包括：确定用户先前已经手动调整显示器亮度一次或多次；并且根据探索策略将显示器的亮度设置为低于建议显示器亮度的亮度包括：基于确定用户先前已经手动调整显示器亮度一次或多次而根据探索策略来设置亮度。
在一些实施方式中，模型是神经网络。
在一些实施方式中，表征用户设备的当前状态的当前状态数据包括用户设备的当前硬件状态、用户设备的当前软件状态、用户设备的当前全局状态和用户设备的当前传感器状态中的一个或多个，其中：用户设备的当前硬件状态包括以下中的一个或多个：电池充电水平、电池温度和在显示器上显示的主色；用户设备的当前软件状态包括以下中的一个或多个：当前运行的应用的数量和当前运行的应用的类型；用户设备的当前全局状态包括以下中的一个或多个：日期、时间和设备位置；并且用户设备的当前传感器状态包括加速度计数据、陀螺仪数据、光传感器数据、接近传感器数据中的一个或多个。
根据第二方面，提供了一种系统，包括：具有亮度可调整的显示器和用于调整显示器的亮度的控制器的用户设备；一个或多个处理器以及存储指令和模型参数集合的当前值的一个或多个存储设备，其中该指令在由一个或多个处理器运行时使得一个或多个处理器执行包括以下步骤的操作：获得表征用户设备的当前状态的当前状态数据；将当前状态数据作为输入提供给亮度预测机器学习模型，其中该模型被配置为根据模型参数集合的当前值来处理当前状态数据，以生成用于用户设备的显示器的建议显示器亮度作为输出；向控制器提供命令，以根据探索策略将显示器的亮度设置为低于建议显示器亮度的亮度；确定用户设备的用户是否手动调整显示器亮度；以及响应于确定用户没有手动调整显示器亮度，使用更低的亮度作为用于调整模型参数集合的当前值的目标输出。
在一些实施方式中，一个或多个处理器和一个或多个存储设备位于用户设备中。
以上方面可以以任何方便的形式被实施。例如，各方面和实施方式可以由适当的计算机程序实施，其中该适当的计算机程序可以被承载在可以是有形载体介质(例如，磁盘)或无形载体介质(例如，通信信号)的适当的载体介质上。各方面也可以使用可以采用运行计算机程序的可编程计算机的形式的适合的装置来实施。
在本说明书中描述的主题的特定实施例可以被实施，以便实现以下优点中的一个或多个。自适应亮度系统学习用户的偏好，并因此根据用户的偏好来提供定制的(customized)显示器亮度。此外，在倾向于将显示器的亮度设置为更低值的情况下探索亮度设置，这可以提高设备的电池寿命。此外，自适应亮度系统被训练为比探索亮度调整更快地适应用户的手动亮度调整，从而通过使得设备的亮度设置符合用户的偏好来增强用户体验。此外，与仅处理周围环境照明数据以设置显示器的亮度的传统方法不同，自适应亮度系统通过考虑例如电池充电水平和当前应用使用，将用户设备的当前状态而不仅仅是周围环境照明考虑在内，并因此提供了用于设置显示器亮度的更灵活和有效的模型。
本说明书的主题的一个或多个实施例的细节在附图和下面的描述中进行阐述。本主题的其他特征、方面和优点将从描述、附图和权利要求中变得清楚。
附图说明
图1A示出了示例自适应亮度系统。
图1B示出了嵌入在用户设备上的自适应亮度系统的示例实施方式。
图2是用于训练自适应亮度系统的示例过程的流程图。
图3是用于根据探索策略来调整显示器的亮度的示例过程的流程图。
各个附图中的相同附图标记和名称指示相同元件。
具体实施方式
本说明书描述了自适应亮度系统如何探索用于用户设备的显示器的不同的亮度设置，学习设备的用户的上下文(contextual)亮度偏好，以及相应地设置设备的亮度。具体地，自适应亮度系统根据亮度预测机器学习模型的输出来设置显示器的亮度，其中该亮度预测机器学习模型将设备的当前状态(即，上下文)作为输入。自适应亮度系统探索不同的亮度设置，其中将探索倾向于降低显示器的亮度，并且自适应亮度系统基于用户对亮度探索的响应来调整亮度预测模型的参数。
图1A示出了示例自适应亮度系统100。自适应亮度系统100是被实施为在其中实施下面描述的系统、组件和技术的一个或多个位置中的一个或多个计算机上的计算机程序的系统的示例。
在一些实施方式中，自适应亮度系统100被实施为用户设备114上的计算机程序。
在一些其他实施方式中，自适应亮度系统100被实施为远离用户设备114的一个或多个计算机上的计算机程序，并且通过数据通信网络与用户设备114进行通信。
自适应亮度系统100包括亮度预测机器学习模型104，其中该亮度预测机器学习模型104将用户设备114的用户设备状态数据102作为输入，根据模型参数106的集合的当前值来处理用户设备状态数据102，以及生成定义用于用户设备的显示器的建议显示器亮度的输出。
在一些实施方式中，亮度预测机器学习模型104是采用多层操作来针对所接收的输入生成输出的深度机器学习模型。例如，亮度预测模型104可以是包括完全连接层的深度前馈神经网络。
通常，用户设备状态数据102是表征用户设备114的当前状态的数据。状态数据可以包括表征用户设备的当前硬件状态、用户设备的当前软件状态、用户设备的当前全局状态或用户设备的当前传感器状态中的一个或多个的数据。例如，用户设备的当前硬件状态可以包括设备的电池状态(包括电池充电水平和温度)和在显示器上显示的主色。用户设备的当前软件状态可以包括当前运行的应用的数量和当前运行的应用的类型。用户设备的当前全局状态可以包括日期和时间、以及设备的位置。用户设备的当前传感器状态可以包括加速度计数据、陀螺仪数据、光传感器数据、接近传感器数据。
在一些实施方式中，亮度预测模型104直接输出建议显示器亮度。
在一些其他实施方式中，自适应亮度系统100包括基线亮度预测模型116，并且亮度预测模型104输出对由基线亮度预测模型116生成的基线显示器亮度的建议调整。在这种情况下，系统100通过将由基线亮度预测模型116生成的基线显示器亮度和由亮度预测模型104生成的对基线显示器亮度的建议调整进行组合来确定建议显示器亮度。例如，系统100可以通过将基线显示器亮度和对基线显示器亮度的建议调整加在一起来确定建议显示器亮度。
基线亮度预测模型116可以将周围照明数据118作为输入，处理周围照明数据，以及生成基线显示器亮度作为输出。通常，周围照明数据表征用户设备的即时环境的亮度，例如如由用户设备上的亮度传感器所测量的。例如，基线亮度预测模型116可以是原始设备制造商(Original Equipment Manufacturer，OEM)曲线(curve)，其中该OEM曲线被固定并预加载在用户设备上，并且定义从周围照明值到显示器亮度值的映射。
自适应亮度系统100还包括根据亮度探索策略来自动地调整显示器的亮度的亮度探索引擎108。通常，亮度探索引擎108将建议显示器亮度作为输入，并且根据亮度探索策略将显示器的亮度设置为低于建议显示器亮度的亮度。
系统响应于亮度探索引擎108设置显示器的亮度而使用对用户设备114的显示器的亮度的手动用户亮度调整110，以确定模型目标输出112和对亮度预测模型104的模型参数106的对应调整。通常，系统迭代地调整模型参数106，使得由亮度预测模型104输出的建议显示器亮度更真切符合模型目标输出112。
通常，在倾向于将显示器的亮度设置为更低值的情况下，系统训练亮度预测模型104基于手动用户亮度调整110和由亮度探索引擎108确定的亮度设置来学习用户的亮度偏好。
参考图2更详细地描述了训练自适应亮度系统100。
图1B示出了嵌入在用户设备114上的自适应亮度系统100的示例实施方式120。用户设备114包括一个或多个存储设备128，其中该一个或多个存储设备128可以存储包括用于执行系统100的操作的计算机可读指令、模型参数106和用户设备状态数据102(例如，表征用户设备的当前硬件状态、用户设备的当前软件状态和用户设备的当前全局状态中的一个或多个的数据)的内容。用户设备114包括控制器124，其中该控制器124是被配置为与用户设备显示器122交互以管理用户设备显示器122的亮度的硬件或软件组件。一个或多个处理器126接收存储在一个或多个存储设备128上的内容，包括用于执行系统100的操作的计算机可读指令，并且向控制器124提供命令。例如，一个或多个处理器126可以向控制器124提供命令，诸如修改用户设备显示器122的亮度的命令。作为响应，控制器124可以根据从一个或多个处理器126接收的命令来设置用户设备显示器122的亮度。控制器124也可以基于手动用户亮度调整来设置用户设备显示器122的亮度。控制器124可以将与手动用户亮度调整相关的数据发送给一个或多个处理器126。用户设备传感器132可以向控制器124提供数据和/或提供数据以用于存储在一个或多个存储设备128上，诸如用户设备的当前传感器状态(例如，加速度计数据、陀螺仪数据、光传感器数据和/或接近传感器数据)。
图2是用于训练自适应亮度系统的示例过程200的流程图。为方便起见，过程200将被描述为由位于一个或多个位置的一个或多个计算机的系统执行。例如，根据本说明书适当编程的自适应亮度系统，例如图1A的自适应亮度系统100，可以执行过程200。
系统获得表征用户设备的当前状态的当前状态数据(步骤202)。状态数据可以包括表征用户设备的当前硬件状态、用户设备的当前软件状态、用户设备的当前全局状态或用户设备的当前传感器状态的数据。
系统将当前状态数据作为输入提供给生成定义用户设备的显示器的建议显示器亮度的输出的亮度预测机器学习模型(步骤204)。建议显示器亮度由亮度预测模型通过根据亮度预测模型参数集合的当前值来处理当前状态数据而生成。亮度预测模型可以是采用多层操作来针对所接收的输入生成输出的深度机器学习模型。例如，亮度预测模型可以是包括完全连接层的深度前馈神经网络。
在一些实施方式中，亮度预测机器学习模型生成对由基线亮度预测模型生成的基线显示器亮度的建议调整作为输出，并且建议显示器亮度通过将基线显示器亮度和对基线显示器亮度的建议调整进行组合而确定。基线亮度预测模型可以将周围照明数据作为输入，处理周围照明数据，以及生成基线显示器亮度作为输出。例如，基线亮度预测模型可以是定义从周围照明值到显示器亮度值的映射的OEM曲线。在一些实施方式中，建议显示器亮度通过将基线显示器亮度和对基线显示器亮度的建议调整加在一起进行计算。在一些其他实施方式中，建议显示器亮度通过将基线显示器亮度和对基线显示器亮度的建议调整相乘进行计算。
接下来，系统根据亮度探索策略将显示器的亮度设置为低于建议显示器亮度的探索亮度(步骤206)。参照图3的过程300描述了根据探索策略来设置显示器的亮度的一种示例方式。
接下来，系统确定用户是否在显示器亮度被设置为探索亮度之后的第一持续时间内手动调整显示器亮度(步骤208)。响应于确定用户没有在显示器亮度被设置为探索亮度之后的第一持续时间内手动调整显示器亮度，将模型目标输出设置为探索亮度值，并且将缩放对模型参数集合的当前值的调整的幅度的权重值设置为第一值(步骤210)。例如，如果亮度预测模型是神经网络，那么权重值可以对应于学习速率参数。响应于确定用户在所述持续时间内确实手动调整了显示器亮度，将模型目标输出设置为手动亮度值，并且将权重值设置为大于第一值的第二值(步骤212)。在一些实施方式中，第一权重值和第二权重值可以在过程200的迭代之间不同。例如，如果亮度预测模型是神经网络并且权重值对应于学习速率参数，那么第一权重值和第二权重值可以在过程200的每个迭代处被减小某个因子。
接下来，系统基于亮度预测模型目标输出来确定对模型参数集合的当前值的调整(步骤214)。该调整被选择以根据取决于模型目标输出的性能度量来改善模型的性能。例如，性能度量可以确定模型目标输出和建议显示器亮度之间的差的平方。如果亮度预测模型是神经网络，那么该调整可以通过反向传播通过计算性能度量相对于亮度预测模型参数集合的当前值的梯度而确定。
接下来，系统根据所确定的调整以及权重值来修改模型参数集合的当前值(步骤216)。例如，如果亮度预测模型是神经网络，那么系统可以根据对应于权重值的学习速率，通过反向传播取决于模型目标输出的性能度量(例如，模型目标输出和建议显示器亮度之间的差的平方)的梯度来修改模型参数集合的当前值。
接下来，过程200返回到步骤202，获得用户设备的当前状态数据，并且迭代前面的步骤。
图3是用于根据探索策略来设置显示器的亮度的示例过程300的流程图。为方便起见，过程300将被描述为由位于一个或多个位置的一个或多个计算机的系统执行。例如，根据本说明书适当编程的自适应亮度系统，例如图1A的自适应亮度系统100，可以执行过程300。
系统确定低于建议显示器亮度的探索亮度(步骤302)。在一个实施方式中，探索亮度通过从建议显示器亮度减去固定值进行计算。在另一个实施方式中，探索亮度通过从建议显示器亮度减去建议显示器亮度的固定部分进行计算。在另一个实施方式中，亮度探索策略的进取性(aggressiveness)随时间而降低—例如，用以计算探索亮度的从建议显示器亮度减去的值不是固定的，而是随时间而减小。在另一个实施方式中，探索亮度可以是建议显示器亮度的时变随机函数。在另一个实施方式中，探索亮度基于ε-贪心(epsilon-greedy)探索对策而计算。在另一个实施方式中，探索亮度基于置信上限(UpperConfidence Bound，UCB)探索对策而计算。在另一个实施方式中，探索亮度基于汤普森采样探索对策而计算。
接下来，系统确定探索亮度是否大于显示器的亮度的下限(步骤304)。例如，下限可以基于用户阅读设备的显示器上的文本所必需的最小亮度而确定。下限可以取决于用户设备的类型。例如，如果当前应用是电子阅读器，则下限可以更高，以及如果当前应用是电话呼叫，则下限可以更低。
响应于确定探索亮度不大于显示器的亮度的下限，过程300返回到步骤306并且确定新的探索亮度。
响应于确定探索亮度大于显示器的亮度的下限，将显示器的亮度设置为探索亮度(步骤306)。在一些其他实施方式中，显示器的亮度首先被设置为由亮度预测模型生成的建议显示器亮度，并且响应于确定探索亮度大于显示器的亮度的下限并且用户没有在第二持续时间内手动调整显示器亮度，则显示器的亮度被设置为探索亮度。
在一些实施方式中，亮度预测模型的模型参数集合的值基于来自多个其他用户设备的记录数据(logged data)而初始化。具体地，亮度预测模型可以最初基于来自多个其他用户设备的记录数据(包括用户设备状态数据和对应的屏幕亮度数据)进行训练，并且随后基于自适应亮度系统而定制为用户的偏好。
在一些实施方式中，系统可以仅响应于确定用户先前已经手动调整显示器亮度一次或多次而根据探索策略来设置显示器的亮度。如果用户先前尚未手动调整显示器的亮度，这可能指示用户不知道如何操作设备的手动显示器亮度调整功能。在这种情况下，用户将不能响应由探索策略确定的显示器亮度的调整。
在一些实施方式中，系统可以仅响应于确定亮度探索停止事件尚未发生而根据探索策略来设置显示器的亮度。亮度探索停止事件可以是在系统第一次根据亮度探索策略来设置显示器的亮度之后经过一时间段。亮度探索停止事件可以是用户改变电话设置以禁用自适应亮度调整系统的探索特征。
在一些实施方式中，该探索例如通过将探索亮度设置为接近建议显示器亮度而减少，直到用户例如通过频繁地手动调整显示器的亮度来显著改变他们的亮度偏好，此时该探索例如通过将探索亮度设置为更远离建议显示器亮度而增加。
本说明书结合系统和计算机程序组件使用术语“配置”。被配置为执行特定的操作或动作的一个或多个计算机的系统意味着系统已经在其上安装了软件、固件、硬件或者它们的组合，其中该软件、固件、硬件或者它们的组合在操作中使得系统执行操作或动作。对于被配置为执行特定操作或动作的一个或多个计算机程序，意味着一个或多个程序包括在由数据处理装置运行时使得该装置执行操作或动作的指令。
在本说明书中描述的主题和功能操作的实施例可以在数字电子电路中、在有形体现的计算机软件或固件中、在包括在本说明书中公开的结构及其结构等同物的计算机硬件中或者在它们中的一个或多个的组合中被实施。在本说明书中描述的主题的实施例可以被实施为一个或多个计算机程序，即编码在有形非暂时性存储介质上的计算机程序指令的一个或多个模块，以用于由数据处理装置运行或者控制数据处理装置的操作。计算机存储介质可以是机器可读存储设备、机器可读存储基底、随机或串行存取存储器设备或者它们中的一个或多个的组合。替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电信号、光信号或电磁信号，其中该人工生成的传播信号被生成以对信息进行编码，用于发送给适合的接收器装置以用于由数据处理装置运行。
术语“数据处理装置”是指数据处理硬件，并且包括用于处理数据的所有种类的装置、设备和机器(包括例如可编程处理器、计算机、或者多个处理器或计算机)。该装置也可以是或者还包括专用逻辑电路，例如FPGA(Field Programmable Gate Array，现场可编程门阵列)或ASIC(Application-Specific Integrated Circuit，专用集成电路)。除了硬件之外，该装置还可以可选地包括创建计算机程序的运行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统或者它们中的一个或多个的组合的代码。
计算机程序，也可以被称为或描述为程序、软件、软件应用、应用、模块、软件模块、脚本或代码，可以以任何形式的编程语言(包括编译或解释语言、或者声明性或过程性语言)进行编写；并且它可以以任何形式被部署，包括作为独立程序或者作为模块、组件、子例程或适用于计算环境的其他单元。程序可以但不一定对应于文件系统中的文件。程序可以被存储在保存其他程序或数据(例如，存储在标记语言文档中的一个或多个脚本)的文件的一部分中、存储在专用于所讨论的程序的单个文件中、或者存储在多个协调文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。计算机程序可以被部署为在一个计算机或者位于一个站点或跨多个站点分布并通过数据通信网络互连的多个计算机上被运行。
在本说明书中，术语“引擎”被广泛用于指代基于软件的系统、子系统或者被编程为执行一个或多个特定功能的过程。通常，引擎将被实施为安装在一个或多个位置的一个或多个计算机上的一个或多个软件模块或组件。在一些情况下，一个或多个计算机将专用于特定引擎；在其他情况下，多个引擎可以被安装在相同的(多个)计算机上并在其上运行。
在本说明书中描述的过程和逻辑流程可以由一个或多个可编程计算机执行，其中该一个或多个可编程计算机运行一个或多个计算机程序以通过对输入数据进行操作并生成输出来执行功能。过程和逻辑流程也可以由专用逻辑电路(例如，FPGA或ASIC)或者由专用逻辑电路和一个或多个编程计算机的组合执行。
适合于计算机程序的运行的计算机可以基于通用或专用微处理器或两者、或者任何其他种类的中央处理单元。通常，中央处理单元将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行或运行指令的中央处理单元和用于存储指令和数据的一个或多个存储器设备。中央处理单元和存储器可以由专用逻辑电路补充或被并入专用逻辑电路。通常，计算机也将包括用于存储数据的一个或多个大容量存储设备(例如，磁盘、磁光盘或光盘)或者被可操作地耦合为从该一个或多个大容量存储设备接收数据或向其传递数据。然而，计算机可以不需要具有这样的设备。此外，计算机可以被嵌入在另一设备中，例如移动电话、个人数字助理(Personal Digital Assistant，PDA)、移动音频或视频播放器、游戏控制台、全球定位系统(Global Positioning System，GPS)接收器或便携式存储设备(例如，通用串行总线(Universal Serial Bus，USB)闪存驱动器)，仅举几个例子。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、介质和存储器设备，包括例如半导体存储器设备(例如，EPROM、EEPROM和快闪存储器设备)；磁盘(例如，内部硬盘或可移动磁盘)；磁光盘；以及CD ROM和DVD-ROM磁盘。
为了提供与用户的交互，在本说明书中描述的主题的实施例可以在计算机上被实施，其中该计算机具有用于向用户显示信息的显示设备(例如，CRT(Cathode Ray Tube，阴极射线管)或LCD(Liquid Crystal Display，液晶显示器)监视器)，以及用户可以通过其向计算机提供输入的键盘和定点设备(例如，鼠标或轨迹球)。其他种类的设备也可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的感觉反馈，例如视觉反馈、听觉反馈或触觉反馈；并且来自用户的输入可以以任何形式被接收，包括声音输入、语音输入或触觉输入。此外，计算机可以通过向由用户使用的设备传送文档以及从其接收文档来与用户进行交互；例如，通过响应于从网络浏览器接收的请求而向用户设备上的网络浏览器传送网页。此外，计算机可以通过向个人设备(例如，运行消息传递应用的智能电话)传送文本消息或其他形式的消息以及作为交换从用户接收响应消息来与用户进行交互。
用于实施机器学习模型的数据处理装置也可以包括例如用于处理机器学习训练或生产的普通和计算密集部分(即推理、工作负荷)的专用硬件加速器单元。
机器学习模型可以使用机器学习框架(例如，TensorFlow框架、MicrosoftCognitive Toolkit框架、Apache Singa框架或Apache MXNet框架)来实施和部署。
在本说明书中描述的主题的实施例可以在计算系统中被实施，其中该计算系统包括后端组件(例如，作为数据服务器)、或者包括中间件组件(例如，应用服务器)、或者包括前端组件(例如，具有用户可以通过其与在本说明书中描述的主题的实施方式进行交互的图形用户界面、网络浏览器或应用的客户端计算机)、或者包括一个或多个这样的后端组件、中间件组件或前端组件的任何组合。系统的组件可以通过任何形式或介质的数字数据通信(例如，通信网络)进行互连。通信网络的示例包括局域网(Local Area Network，LAN)和广域网(Wide Area Network，WAN)(例如，互联网)。
计算系统可以包括客户端和服务器。客户端和服务器通常彼此远离，并且一般通过通信网络进行交互。客户端和服务器的关系借助于在相应计算机上运行并且彼此具有客户端-服务器关系的计算机程序而出现。在一些实施例中，服务器将数据(例如，HTML页面)发送给用户设备，例如，出于向与充当客户端的设备交互的用户显示数据以及从该用户接收用户输入的目的。可以在服务器处从设备接收在用户设备处生成的数据，例如用户交互的结果。
虽然本说明书包含许多具体的实施方式细节，但这些不应被解释为对任何发明的范围或可能要求保护的内容的范围的限制，而是应该解释为可以特定于特定发明的特定实施例的特征的描述。单独的实施例的上下文中的在本说明书中描述的某些特征也可以在单个实施例中被组合实施。相反，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合在多个实施例中被实施。此外，尽管特征可以在上面被描述为以某些组合起作用并且甚至最初如此要求保护，但是在一些情况下可以从所要求保护的组合删除来自所要求保护的组合的一个或多个特征，并且所要求保护的组合可以针对子组合或子组合的变化。
类似地，虽然以特定顺序在附图中描绘并在权利要求中记载了操作，但是这不应该被理解为要求以所示的特定顺序或以先后顺序执行这些操作或者执行所有示出的操作来实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中都需要这样的分离，并且应该理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中或打包为多个软件产品。
已经描述了主题的特定实施例。其他实施例在所附权利要求的范围内。例如，在权利要求中记载的动作可以以不同的顺序执行并且仍然实现期望的结果。作为一个示例，在附图中描绘的过程不一定要求所示的特定顺序或先后顺序来实现期望的结果。在一些情况下，多任务和并行处理可能是有利的。

Claims (20)

1.一种由一个或多个数据处理装置执行的方法，所述方法包括：
获得表征具有可调亮度显示器的用户设备的当前状态的当前状态数据；
将所述当前状态数据作为输入提供给亮度预测机器学习模型，其中所述模型被配置为根据模型参数集合的当前值来处理所述当前状态数据，以生成针对所述用户设备的显示器的建议的显示器亮度作为输出；
根据探索策略将显示器的亮度设置为低于建议的显示器亮度的亮度；以及
基于在显示器亮度被设置为较低亮度之后用户设备的用户是否手动调整显示器亮度，确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
2.根据权利要求1所述的方法，其中确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出包括：
确定在显示器亮度被设置为较低亮度之后用户没有手动调节显示器亮度；以及
使用较低亮度作为用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
3.根据权利要求1所述的方法，其中确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出包括：
确定在显示器亮度被设置为较低亮度之后用户手动将显示器亮度调整为手动亮度；以及
使用手动亮度作为用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
4.根据权利要求1所述的方法，还包括：
基于目标输出确定对模型参数集合的当前值的调整；
基于在显示器亮度被设置为较低亮度之后用户设备的用户是否手动调整显示器亮度，确定对模型参数集合的当前值的调整的幅度进行缩放的权重值；以及
根据所确定的调整和权重值来修改模型参数集合的当前值。
5.根据权利要求4所述的方法，其中确定对模型参数集合的当前值的调整的幅度进行缩放的权重值包括：(i)响应于确定在显示器亮度被设置为较低亮度之后用户没有手动调整显示器亮度，将权重值设置为第一权重值，或者(ii)响应于确定在显示器亮度被设置为较低亮度之后用户手动调整显示器亮度，将权重值设置为第二权重值；
其中第一权重值小于第二权重值。
6.根据权利要求1所述的方法，其中亮度预测机器学习模型包括神经网络模型。
7.根据权利要求1所述的方法，其中所述模型输出定义了对所述显示器的基线显示器亮度的建议调整，其中：
基线显示器亮度由预定基线亮度预测模型的输出来确定，所述预定基线亮度预测模型被配置为根据特定模型参数集合的固定值来处理周围环境照明数据，以生成显示器的基线显示器亮度作为输出；以及
通过将基线显示器亮度与对基线显示器亮度的建议调整相结合，来确定用户设备的显示器的建议的显示器亮度。
8.根据权利要求1所述的方法，其中所述模型的模型参数集合的当前值是基于来自多个附加用户设备的记录亮度数据来确定的。
9.根据权利要求1所述的方法，其中所述探索策略指定将所述显示器的亮度设置为大于所述显示器的亮度的下限。
10.根据权利要求1所述的方法，还包括：
确定用户先前已经一次或多次手动调整了显示器亮度；以及
其中根据探索策略将显示器的亮度设置为低于建议的显示器亮度的亮度包括基于确定用户先前已经手动调整显示器亮度一次或多次，根据探索策略设置亮度。
11.根据权利要求1所述的方法，其中表征用户设备的当前状态的当前状态数据包括用户设备的当前硬件状态、用户设备的当前软件状态、用户设备的当前全局状态和用户设备的当前传感器状态中的一个或多个，其中：
用户设备的当前硬件状态包括以下一个或多个：电池电量、电池温度和显示器上显示的主色；
用户设备的当前软件状态包括以下一个或多个：当前运行的应用的数量和当前运行的应用的类型；
用户设备的当前全局状态包括以下一个或多个：日期、时间和设备位置；以及
用户设备的当前传感器状态包括加速度计数据、陀螺仪数据、光传感器数据、接近传感器数据中的一个或多个。
12.一种系统包括：
一个或多个计算机；和
通信地耦合到所述一个或多个计算机的一个或多个存储设备，其中所述一个或多个存储设备存储指令，当由所述一个或多个计算机执行时，所述指令使得所述一个或多个计算机执行操作，包括：
获得表征具有可调亮度显示器的用户设备的当前状态的当前状态数据；
将所述当前状态数据作为输入提供给亮度预测机器学习模型，其中所述模型被配置为根据模型参数集合的当前值来处理所述当前状态数据，以生成针对所述用户设备的显示器的建议的显示器亮度作为输出；
根据探索策略将显示器的亮度设置为低于建议的显示器亮度的亮度；以及
基于在显示器亮度被设置为较低亮度之后用户设备的用户是否手动调整显示器亮度，确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
13.根据权利要求12所述的系统，其中确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出包括：
确定在显示器亮度被设置为较低亮度之后用户没有手动调节显示器亮度；以及
使用较低亮度作为用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
14.根据权利要求12所述的系统，其中确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出包括：
确定在显示器亮度被设置为较低亮度之后用户手动将显示器亮度调整为手动亮度；以及
使用手动亮度作为用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
15.根据权利要求12所述的系统，还包括：
基于目标输出确定对模型参数集合的当前值的调整；
基于在显示器亮度被设置为较低亮度之后用户设备的用户是否手动调整显示器亮度，确定对模型参数集合的当前值的调整的幅度进行缩放的权重值；以及
根据所确定的调整和权重值来修改模型参数集合的当前值。
16.根据权利要求15所述的系统，其中确定对模型参数集合的当前值的调整的幅度进行缩放的权重值包括：(i)响应于确定在显示器亮度被设置为较低亮度之后用户没有手动调整显示器亮度，将权重值设置为第一权重值，或者(ii)响应于确定在显示器亮度被设置为较低亮度之后用户手动调整显示器亮度，将权重值设置为第二权重值；
其中第一权重值小于第二权重值。
17.存储指令的一个或多个非暂时性计算机存储介质，当由一个或多个计算机执行时，所述指令使得一个或多个计算机执行操作，包括：
获得表征具有可调亮度显示器的用户设备的当前状态的当前状态数据；
将所述当前状态数据作为输入提供给亮度预测机器学习模型，其中所述模型被配置为根据模型参数集合的当前值来处理所述当前状态数据，以生成针对所述用户设备的显示器的建议的显示器亮度作为输出；
根据探索策略将显示器的亮度设置为低于建议的显示器亮度的亮度；以及
基于在显示器亮度被设置为较低亮度之后用户设备的用户是否手动调整显示器亮度，确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
18.根据权利要求17所述的非暂时性计算机存储介质，其中确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出包括：
确定在显示器亮度被设置为较低亮度之后用户没有手动调节显示器亮度；以及
使用较低亮度作为用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
19.根据权利要求17所述的非暂时性计算机存储介质，其中确定用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出包括：
确定在显示器亮度被设置为较低亮度之后用户手动将显示器亮度调整为手动亮度；以及
使用手动亮度作为用于调整亮度预测机器学习模型的模型参数集合的当前值的目标输出。
20.根据权利要求17所述的非暂时性计算机存储介质，还包括：
基于目标输出确定对模型参数集合的当前值的调整；
基于在显示器亮度被设置为较低亮度之后用户设备的用户是否手动调整显示器亮度，确定对模型参数集合的当前值的调整的幅度进行缩放的权重值；以及
根据所确定的调整和权重值来修改模型参数集合的当前值。
CN202310334827.5A 2017-12-15 2017-12-15 自适应显示器亮度调整 Pending CN116312419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310334827.5A CN116312419A (zh) 2017-12-15 2017-12-15 自适应显示器亮度调整

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201780096387.7A CN111295700B (zh) 2017-12-15 2017-12-15 自适应显示器亮度调整
PCT/US2017/066648 WO2019117942A1 (en) 2017-12-15 2017-12-15 Adaptive display brightness adjustment
CN202310334827.5A CN116312419A (zh) 2017-12-15 2017-12-15 自适应显示器亮度调整

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201780096387.7A Division CN111295700B (zh) 2017-12-15 2017-12-15 自适应显示器亮度调整

Publications (1)

Publication Number Publication Date
CN116312419A true CN116312419A (zh) 2023-06-23

Family

ID=60937942

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201780096387.7A Active CN111295700B (zh) 2017-12-15 2017-12-15 自适应显示器亮度调整
CN202310334827.5A Pending CN116312419A (zh) 2017-12-15 2017-12-15 自适应显示器亮度调整

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201780096387.7A Active CN111295700B (zh) 2017-12-15 2017-12-15 自适应显示器亮度调整

Country Status (4)

Country Link
US (2) US11096259B2 (zh)
EP (1) EP3682439B1 (zh)
CN (2) CN111295700B (zh)
WO (1) WO2019117942A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11394980B2 (en) * 2020-01-05 2022-07-19 Isize Limited Preprocessing image data
CN111385400A (zh) * 2020-03-12 2020-07-07 北京小米移动软件有限公司 背光亮度调节方法和装置
CN113326029B (zh) * 2021-05-13 2024-03-22 深圳恒之源技术股份有限公司 一种led灯具亮度调节方法、系统及计算机可读存储介质
CN114486184B (zh) * 2021-12-27 2023-03-10 巴可(苏州)医疗科技有限公司 一种用于长时间稳定监测医疗显示器亮度的方法
CN115083337B (zh) * 2022-07-08 2023-05-16 深圳市安信泰科技有限公司 一种led显示驱动系统及方法
US11705062B1 (en) 2022-10-13 2023-07-18 Motorola Mobility Llc Methods of display brightness control and corresponding electronic devices
CN116071422B (zh) * 2022-11-11 2024-03-22 北京百度网讯科技有限公司 面向元宇宙场景的虚拟设备亮度调节方法、装置
CN117475806B (zh) * 2023-12-28 2024-03-29 深圳康荣电子有限公司 基于多维传感数据反馈的显示屏自适应响应方法及其装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8068125B2 (en) 2007-01-05 2011-11-29 Apple Inc. Luminescence shock avoidance in display devices
CN101183517A (zh) * 2007-12-07 2008-05-21 深圳华为通信技术有限公司 调节终端设备上液晶显示器亮度的方法、装置、及终端
US8508553B2 (en) 2009-05-20 2013-08-13 Microsoft Corporation Automatic user viewing preference
US20110095875A1 (en) * 2009-10-23 2011-04-28 Broadcom Corporation Adjustment of media delivery parameters based on automatically-learned user preferences
EP2631900A1 (en) 2012-02-24 2013-08-28 Research In Motion Limited Controlling backlight of a portable electronic device
CN104978947B (zh) * 2015-07-17 2018-06-05 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
CN108538265B (zh) 2016-03-31 2021-05-18 青岛海信移动通信技术股份有限公司 一种液晶显示屏的显示亮度调整方法及装置
US10037745B2 (en) * 2016-06-08 2018-07-31 Motorola Mobility Llc Applying an application-specific ambient light setting configuration
CN107464515A (zh) 2017-07-17 2017-12-12 努比亚技术有限公司 屏幕亮度调整方法、移动终端及存储介质
CN109427317A (zh) * 2017-08-31 2019-03-05 中兴通讯股份有限公司 屏幕亮度控制方法、装置、终端及计算机可读存储介质
WO2022166567A1 (zh) * 2021-02-02 2022-08-11 海信视像科技股份有限公司 显示设备、显示参数调整方法

Also Published As

Publication number Publication date
CN111295700B (zh) 2023-03-14
US11419197B2 (en) 2022-08-16
US20210368604A1 (en) 2021-11-25
US20200314985A1 (en) 2020-10-01
US11096259B2 (en) 2021-08-17
WO2019117942A1 (en) 2019-06-20
CN111295700A (zh) 2020-06-16
EP3682439A1 (en) 2020-07-22
EP3682439B1 (en) 2024-02-21

Similar Documents

Publication Publication Date Title
CN111295700B (zh) 自适应显示器亮度调整
US10449673B2 (en) Enhanced configuration and control of robots
US9536191B1 (en) Reinforcement learning using confidence scores
US11615310B2 (en) Training machine learning models by determining update rules using recurrent neural networks
EP3360083B1 (en) Dueling deep neural networks
EP3731499A1 (en) Optimizing user interface data caching for future actions
EP3360086A1 (en) Training neural networks using a prioritized experience memory
US10860895B2 (en) Imagination-based agent neural networks
US11354548B1 (en) Image processing with recurrent attention
US20210103815A1 (en) Domain adaptation for robotic control using self-supervised learning
EP2791829B1 (en) Method for rule-based context acquisition
EP3579154A1 (en) Reinforcement learning for user behaviour
CN112384888A (zh) 基于上下文状态的用户界面格式适应
CN107689227A (zh) 一种基于数据融合的语音降噪方法及系统
KR20210032247A (ko) 디스플레이 장치 및 이의 영상 처리 방법
US20230036764A1 (en) Systems and Method for Evaluating and Selectively Distilling Machine-Learned Models on Edge Devices

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