JP2016516235A5 - - Google Patents

Download PDF

Info

Publication number
JP2016516235A5
JP2016516235A5 JP2016500307A JP2016500307A JP2016516235A5 JP 2016516235 A5 JP2016516235 A5 JP 2016516235A5 JP 2016500307 A JP2016500307 A JP 2016500307A JP 2016500307 A JP2016500307 A JP 2016500307A JP 2016516235 A5 JP2016516235 A5 JP 2016516235A5
Authority
JP
Japan
Prior art keywords
granularity
input
context classification
context
level
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.)
Granted
Application number
JP2016500307A
Other languages
English (en)
Other versions
JP2016516235A (ja
JP6410787B2 (ja
Filing date
Publication date
Priority claimed from US13/835,596 external-priority patent/US9679252B2/en
Application filed filed Critical
Publication of JP2016516235A publication Critical patent/JP2016516235A/ja
Publication of JP2016516235A5 publication Critical patent/JP2016516235A5/ja
Application granted granted Critical
Publication of JP6410787B2 publication Critical patent/JP6410787B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Claims (55)

  1. コンテクスト分類を管理するための方法であって、
    前記コンテクスト分類の要求と、前記要求に関連付けされた粒度入力とを受け付けるステップであって、前記粒度入力が、コンテクスト分類出力が選択される利用可能な状態のサブセットを特定するとともに前記コンテクスト分類出力を選択するためにどのデータ特性がデータソースから収集されるかを判定するための、コンテクスト分類出力の粒度レベルを示し、利用可能な状態の前記サブセットが、前記粒度入力に示された前記粒度レベルに基づいて判定された数の状態を含み、前記判定されたデータ特性が、第1の粒度レベルより大きい第2の粒度レベルが示されるときより、前記第1の粒度レベルが示されるときに、より少ないデータ特性が分類に使用されるように、前記粒度入力に示された前記粒度レベルに基づいて判定された数のデータ特性を含む、ステップと、
    前記コンテクスト分類のために、前記粒度入力に基づいて複数のコンフィギュレーションパラメータから1つのコンフィギュレーションパラメータを選択するステップであって、前記複数のコンフィギュレーションパラメータは、前記粒度入力に示された異なる粒度レベルについての異なる値を含む、ステップと、
    前記コンテクスト分類についての前記選択されたコンフィギュレーションパラメータを使用して、前記データソースから収集された前記データ特性のデータを分類することで前記要求に応じて、前記コンテクスト分類出力の前記粒度レベルを示す前記粒度入力に従って分類部によって前記コンテクスト分類を実行するステップと、
    を含み、
    高い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、高いリソース利用レベルに対応付けされ、低い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、低いリソース利用レベルに対応付けされる、方法。
  2. 前記分類部から前記コンテクスト分類出力を取得するステップと、
    前記コンテクスト分類出力を要求元のエンティティに送るステップと、
    をさらに含む、請求項1に記載の方法。
  3. 前記選択したコンフィギュレーションパラメータは、利用したセンサ特性の数、または前記分類部のデューティサイクルのうち少なくとも1つを含む、請求項1に記載の方法。
  4. 前記粒度入力は、粒度設定の既定のセットから選択される、請求項1に記載の方法。
  5. コンテクスト分類について利用可能な出力のサブセットを特定するステップと、
    前記コンテクスト分類について利用可能な出力のサブセットのそれぞれに、粒度レベルを割り当てるステップと、
    をさらに含む、請求項1に記載の方法。
  6. 前記受け付けるステップは、コンテクスト分類について利用可能な出力のサブセットのいずれかを含む前記粒度入力を受け付けるステップを含み、
    前記実行するステップは、前記粒度入力として受け付けた前記コンテクスト分類について利用可能な出力の前記サブセットの1つから前記コンテクスト分類出力を選択することで、前記分類部によって前記コンテクスト分類を実行するステップを含む、請求項5に記載の方法。
  7. 前記コンテクスト分類は、1つまたは複数のモーション状態分類、ロケーション状態分類、またはオーディオ状態分類を含む、請求項1に記載の方法。
  8. 前記受け付けるステップは、要求元のアプリケーションから前記コンテクスト分類の要求をアプリケーションプログラミングインターフェース(API)を介して受け付けるステップを含む、請求項1に記載の方法。
  9. 前記選択されたコンフィギュレーションパラメータは、前記高い粒度レベルに対するより前記低い粒度レベルに対して、より少ない数の分類モデルパラメータを含む、請求項1に記載の方法。
  10. 前記分類モデルパラメータは、ガウシアンミクスチャーモデル用のミクスチャー成分、ニューラルネットワーク分類部用のサポートベクトル、または最近傍分類部用のデータポイントの少なくとも1つを含む、請求項9に記載の方法。
  11. 利用可能な状態の前記サブセットは、利用可能な状態の前記サブセットが、前記第1の粒度レベルより大きい前記第2の粒度レベルが示されるときより、前記第1の粒度レベルが示されるときに、より少ない状態を有するように、前記粒度入力に示された前記粒度レベルに基づいて判定された数の状態を含む、請求項1に記載の方法。
  12. 前記分類部は、ガウシアンミクスチャーモデルベースのモーション状態分類部であり、
    前記粒度レベルが粗い粒度レベルに対応するとき、利用可能な状態の前記サブセットは、停止の状態、歩行モーションの状態、および車両モーションの状態を有する3つの状態を含み、前記データ特性は、特性ごとに1つのミクスチャー成分とともに、加速度計のノルムの偏差値および中間値を含み、
    前記粒度レベルが緻密な粒度レベルに対応するとき、利用可能な状態の前記サブセットは、歩く状態、走る状態、座る状態、立つ状態、いらだつ状態、休む状態、および運転状態を有する7つの状態を含み、前記データ特性は、特性ごとに4つのミクスチャー成分とともに、加速度計のノルムの前記偏差値、前記中間値、ピッチおよび転がり、複数のメル周波数ケプストラム係数(MFCC)、エントロピースペクトル、および前記加速度計のノルムの中間値を有する、請求項1に記載の方法。
  13. 調節可能な粒度を有するコンテクスト分類を実行するための方法であって、
    前記コンテクスト分類の要求と、前記要求に関連付けされた粒度入力とを受け付けるステップであって、前記粒度入力が、コンテクスト分類出力が選択される利用可能な状態のサブセットを特定するとともに前記コンテクスト分類出力を選択するためにどのデータ特性がデータソースから収集されるかを判定するための、コンテクスト分類出力の粒度レベルを示し、利用可能な状態の前記サブセットが、前記粒度入力に示された前記粒度レベルに基づいて判定された数の状態を含み、前記判定されたデータ特性が、第1の粒度レベルより大きい第2の粒度レベルが示されるときより、前記第1の粒度レベルが示されるときに、より少ないデータ特性が分類に使用されるように、前記粒度入力に示された前記粒度レベルに基づいて判定された数のデータ特性を含む、ステップと、
    前記コンテクスト分類のために、前記粒度入力に基づいて複数のコンフィギュレーションパラメータから1つのコンフィギュレーションパラメータを選択するステップであって、前記複数のコンフィギュレーションパラメータは、前記粒度入力に示された異なる粒度レベルについての異なる値を含み、高い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、高いリソース利用レベルに対応付けされ、低い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、低いリソース利用レベルに対応付けされるステップと、
    前記コンテクスト分類のために選択したコンフィギュレーションパラメータを使用して前記データソースから収集した前記データ特性のデータを分類することで、前記コンテクスト分類出力の前記粒度レベルを示す前記粒度入力に従って前記コンテクスト分類を実行するステップと、
    を含む、方法。
  14. 前記選択したコンフィギュレーションパラメータは、利用したセンサ特性の数、または分類頻度のうち少なくとも1つを含む、請求項13に記載の方法。
  15. 前記粒度入力は、粒度設定の既定のセットから選択される、請求項13に記載の方法。
  16. 前記コンテクスト分類のために前記コンフィギュレーションパラメータを前記選択するステップは、
    分類部コンフィギュレーションパラメータのセットを取得するステップであって、前記分類部コンフィギュレーションパラメータのセットのそれぞれは、リソース利用レベルと、粒度設定の前記既定のセットのうち対応するものとの割り当てを示すステップと、
    前記受け付けられた粒度入力に割り当てられた分類部コンフィギュレーションパラメータのセットをコンテクスト分類のためのコンフィギュレーションパラメータとして選択するステップと
    を含む、請求項15に記載の方法。
  17. コンテクスト分類について利用可能な出力のサブセットを特定するステップと、
    前記コンテクスト分類について前記利用可能な出力のサブセットのそれぞれを、分類部粒度コンフィギュレーションのそれぞれに割り当てるステップであって、前記分類部粒度コンフィギュレーションは、対応するリソース利用レベルを定義するステップと
    をさらに含む、請求項13に記載の方法。
  18. 前記受け付けるステップは、前記コンテクスト分類について利用可能な出力のサブセットのいずれかを含む粒度入力を受け付けるステップを含み、
    前記コンテクスト分類を実行するステップは、前記粒度入力として受け付けた前記コンテクスト分類について利用可能な出力のサブセットに割り当てられた分類部粒度コンフィギュレーションを用いて前記コンテクスト分類を実行するステップを含む、請求項17に記載の方法。
  19. 前記コンテクスト分類は、1つまたは複数のモーション状態分類、ロケーション状態分類、またはオーディオ状態分類を含む、請求項13に記載の方法。
  20. 前記受け付けるステップは、前記コンテクスト分類の要求と、前記粒度入力とをアプリケーションプログラミングインターフェース(API)から受け付けるステップを含む、請求項13に記載の方法。
  21. 前記コンテクスト分類の出力を前記APIに戻すステップをさらに含む、請求項20に記載の方法。
  22. 前記コンテクスト分類の要求は、要求元のアプリケーションに由来するものであり、
    さらに、前記コンテクスト分類出力を要求元のアプリケーションに戻すステップを含む、請求項20に記載の方法。
  23. 調節可能な粒度を有するコンテクスト分類を実行するための装置であって、
    メモリと、
    前記メモリに通信可能に結合されたプロセッサとを具備し、
    前記プロセッサは、
    前記コンテクスト分類の要求と、前記要求に関連付けされた粒度入力とを受け付けるように構成された分類部コントローラであって、前記粒度入力が、コンテクスト分類出力が選択される利用可能な状態のサブセットを特定するとともに前記コンテクスト分類出力を選択するためにどのデータ特性がデータソースから収集されるかを判定するための、コンテクスト分類出力の粒度レベルを示し、利用可能な状態の前記サブセットが、前記粒度入力に示された前記粒度レベルに基づいて判定された数の状態を含み、前記判定されたデータ特性が、第1の粒度レベルより大きい第2の粒度レベルが示されるときより、前記第1の粒度レベルが示されるときに、より少ないデータ特性が分類に使用されるように、前記粒度入力に示された前記粒度レベルに基づいて判定された数のデータ特性を含む、分類部コントローラと、
    前記分類部コントローラと通信可能に結合されたコンテクスト分類部であって、
    前記分類部コントローラから前記要求および前記粒度入力を受け付け、
    前記コンテクスト分類のために、前記粒度入力に基づいて複数のコンフィギュレーションパラメータから1つのコンフィギュレーションパラメータを選択し、前記複数のコンフィギュレーションパラメータは、前記粒度入力に示された異なる粒度レベルについての異なる値を含み、高い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、高いリソース利用レベルに対応付けされ、低い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、低いリソース利用レベルに対応付けされ、
    前記コンテクスト分類のために選択したコンフィギュレーションパラメータを使用して前記データソースから収集した前記データ特性のデータを分類することで、前記コンテクスト分類出力の前記粒度レベルを示す前記粒度入力に従って前記コンテクスト分類を実行し、
    前記コンテクスト分類出力を出力する、ように構成されたコンテクスト分類部と、を備える、装置。
  24. 前記分類部コントローラは、さらに、分類部から前記コンテクスト分類出力を取得し、要求元のエンティティに前記コンテクスト分類出力を送るように構成されている、請求項23に記載の装置。
  25. 前記選択したコンフィギュレーションパラメータは、利用したセンサ特性の数または分類部のデューティサイクルのうち少なくとも1つを含む、請求項23に記載の装置。
  26. 前記粒度入力は、粒度設定の既定のセットから選択される、請求項23に記載の装置。
  27. 前記コンテクスト分類部は、さらに、
    分類部コンフィギュレーションパラメータのセットを取得するように構成され、
    分類部コンフィギュレーションパラメータのセットのそれぞれは、リソース利用レベルと粒度設定の前記既定のセットのうち対応するものとの割り当てを示し、
    前記コンテクスト分類部は、さらに、受け付けた粒度入力に割り当てられた分類部コンフィギュレーションパラメータのセットをコンテクスト分類のために選択したコンフィギュレーションパラメータとして選択するように構成されている、請求項26に記載の装置。
  28. 前記粒度入力は、前記コンテクスト分類について利用可能な出力のサブセットを含む、請求項23に記載の装置。
  29. 前記コンテクスト分類部は、さらに、粒度入力として受け付けた前記コンテクスト分類について利用可能な出力のサブセットを分類部粒度コンフィギュレーションに割り当てるように構成され、
    前記分類部粒度コンフィギュレーションは、対応するリソース利用レベルを定義する、請求項28に記載の装置。
  30. 前記コンテクスト分類部は、さらに、粒度入力として受け付けた利用可能な出力のサブセットから前記コンテクスト分類出力を選択することで前記コンテクスト分類を実行するように構成されている、請求項29に記載の装置。
  31. 前記コンテクスト分類部は、1つまたは複数のモーション状態分類部、ロケーション状態分類部、またはオーディオ状態分類部を含む、請求項23に記載の装置。
  32. 前記分類部コントローラは、アプリケーションプログラミングインターフェース(API)を含み、さらに、要求元のアプリケーションから前記コンテクスト分類の要求を受け付けるように構成されている、請求項23に記載の装置。
  33. 前記コンテクスト分類部は、さらに、前記コンテクスト分類出力をAPIまたは要求元のアプリケーションのうち少なくとも1つに提供するように構成されている、請求項32に記載の装置。
  34. さらに、前記コンテクスト分類部に通信可能に結合された1つまたは複数のデータソースを備え、
    前記コンテクスト分類部は、前記1つまたは複数のデータソースからサンプリングした前記データに基づいて前記コンテクスト分類を実行するように構成されている、請求項23に記載の装置。
  35. 前記1つまたは複数のデータソースは、オーディオセンサ、ロケーションセンサ、ネットワークセンサ、モーションセンサ、カレンダー、時計、デバイス利用統計のセット、または光センサのうち少なくとも1つを備える、請求項34に記載の装置。
  36. コンテクスト分類を管理するための装置であって、
    前記コンテクスト分類の要求と、前記要求に関連付けされた粒度入力とを受け付けるための手段であって、前記粒度入力が、コンテクスト分類出力が選択される利用可能な状態のサブセットを特定するとともに前記コンテクスト分類出力を選択するためにどのデータ特性がデータソースから収集されるかを判定するための、コンテクスト分類出力の粒度レベルを示し、利用可能な状態の前記サブセットが、前記粒度入力に示された前記粒度レベルに基づいて判定された数の状態を含み、前記判定されたデータ特性が、第1の粒度レベルより大きい第2の粒度レベルが示されるときより、前記第1の粒度レベルが示されるときに、より少ないデータ特性が分類に使用されるように、前記粒度入力に示された前記粒度レベルに基づいて判定された数のデータ特性を含む、手段と、
    前記コンテクスト分類のために、前記粒度入力に基づいて複数のコンフィギュレーションパラメータから1つのコンフィギュレーションパラメータを選択するための手段であって、前記複数のコンフィギュレーションパラメータは、前記粒度入力に示された異なる粒度レベルについての異なる値を含む、手段と、
    前記要求に応じて、前記コンテクスト分類のために選択したコンフィギュレーションパラメータを使用して前記データソースから収集した前記データ特性のデータを分類することで、前記コンテクスト分類出力の前記粒度レベルを示す前記粒度入力に従って前記コンテクスト分類を実行するための手段と、
    を備え、
    高い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、高いリソース利用レベルに対応付けされ、低い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、低いリソース利用レベルに対応付けされる、装置。
  37. 前記選択したコンフィギュレーションパラメータは、利用したセンサ特性の数または分類部のデューティサイクルのうち少なくとも1つを含む、請求項36に記載の装置。
  38. 前記粒度入力は、粒度設定の既定のセットから選択される、請求項36に記載の装置。
  39. 前記粒度入力は、前記コンテクスト分類について利用可能な出力のサブセットを含む、請求項36に記載の装置。
  40. 前記コンテクスト分類は、1つまたは複数のモーション状態分類、ロケーション状態分類、またはオーディオ状態分類を含む、請求項36に記載の装置。
  41. 調節可能な粒度を有するコンテクスト分類を実行するための装置であって、
    前記コンテクスト分類の要求と、前記要求に関連付けされた粒度入力とを受け付けるための手段であって、前記粒度入力が、コンテクスト分類出力が選択される利用可能な状態のサブセットを特定するとともに前記コンテクスト分類出力を選択するためにどのデータ特性がデータソースから収集されるかを判定するための、コンテクスト分類出力の粒度レベルを示し、利用可能な状態の前記サブセットが、前記粒度入力に示された前記粒度レベルに基づいて判定された数の状態を含み、前記判定されたデータ特性が、第1の粒度レベルより大きい第2の粒度レベルが示されるときより、前記第1の粒度レベルが示されるときに、より少ないデータ特性が分類に使用されるように、前記粒度入力に示された前記粒度レベルに基づいて判定された数のデータ特性を含む、手段と、
    前記コンテクスト分類のために、前記粒度入力に基づいて複数のコンフィギュレーションパラメータから1つのコンフィギュレーションパラメータを選択するための手段であって、前記複数のコンフィギュレーションパラメータは、前記粒度入力に示された異なる粒度レベルについての異なる値を含み、高い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、高いリソース利用レベルに対応付けされ、低い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、低いリソース利用レベルに対応付けされる手段と、
    前記コンテクスト分類のために選択したコンフィギュレーションパラメータを使用して前記データソースから収集した前記データ特性のデータを分類することで、前記コンテクスト分類出力の前記粒度レベルを示す前記粒度入力に従ってコンテクスト分類を実行するための手段と、を備える、装置。
  42. 前記選択したコンフィギュレーションパラメータは、利用したセンサ特性の数または分類頻度のうち少なくとも1つを含む、請求項41に記載の装置。
  43. 前記粒度入力は、粒度設定の既定のセットから選択される、請求項41に記載の装置。
  44. 前記粒度入力は、前記コンテクスト分類について利用可能な出力のサブセットを含む、請求項41に記載の装置。
  45. 前記コンテクスト分類は、1つまたは複数のモーション状態分類、ロケーション状態分類、またはオーディオ状態分類を含む、請求項41に記載の装置。
  46. さらに、前記コンテクスト分類出力を、コンテクスト分類の要求のソースへ戻すための手段を備える、請求項41に記載の装置。
  47. プロセッサ読み取り可能なコンピュータ記憶媒体に存在し、プロセッサ実行可能な命令を含むコンピュータプログラムであって、前記命令は、プロセッサに、
    コンテクスト分類の要求と、前記要求に関連付けされた粒度入力とを受け付けさせ、前記粒度入力が、コンテクスト分類出力が選択される利用可能な状態のサブセットを特定するとともに前記コンテクスト分類出力を選択するためにどのデータ特性がデータソースから収集されるかを判定するための、コンテクスト分類出力の粒度レベルを示し、利用可能な状態の前記サブセットが、前記粒度入力に示された前記粒度レベルに基づいて判定された数の状態を含み、前記判定されたデータ特性が、第1の粒度レベルより大きい第2の粒度レベルが示されるときより、前記第1の粒度レベルが示されるときに、より少ないデータ特性が分類に使用されるように、前記粒度入力に示された前記粒度レベルに基づいて判定された数のデータ特性を含み、
    前記コンテクスト分類のために、前記粒度入力に基づいて複数のコンフィギュレーションパラメータから1つのコンフィギュレーションパラメータを選択させ、前記複数のコンフィギュレーションパラメータは、前記粒度入力に示された異なる粒度レベルについての異なる値を含み、
    前記要求に応じて、前記コンテクスト分類のために選択したコンフィギュレーションパラメータを使用して、前記データソースから収集した前記データ特性のデータを分類することで、前記コンテクスト分類出力の前記粒度レベルを示す前記粒度入力に従って分類部によって前記コンテクスト分類を実行するように構成され、
    高い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、高いリソース利用レベルに対応付けされ、低い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、低いリソース利用レベルに対応付けされる、コンピュータプログラム。
  48. 前記選択したコンフィギュレーションパラメータは、利用したセンサ特性の数または前記分類部の分類頻度のうち少なくとも1つを含む、請求項47に記載のコンピュータプログラム。
  49. 前記粒度入力は、粒度設定の既定のセットから選択される、請求項47に記載のコンピュータプログラム。
  50. 前記粒度入力は、前記コンテクスト分類について利用可能な出力のサブセットを含む、請求項47に記載のコンピュータプログラム。
  51. プロセッサ読み取り可能なコンピュータ記憶媒体に存在し、プロセッサ実行可能な命令を含むコンピュータプログラムであって、前記命令は、プロセッサに、
    コンテクスト分類の要求と、前記要求に関連付けされた粒度入力とを受け付けさせ、前記粒度入力が、コンテクスト分類出力が選択される利用可能な状態のサブセットを特定するとともに前記コンテクスト分類出力を選択するためにどのデータ特性がデータソースから収集されるかを判定するための、コンテクスト分類出力の粒度レベルを示し、利用可能な状態の前記サブセットが、前記粒度入力に示された前記粒度レベルに基づいて判定された数の状態を含み、前記判定されたデータ特性が、第1の粒度レベルより大きい第2の粒度レベルが示されるときより、前記第1の粒度レベルが示されるときに、より少ないデータ特性が分類に使用されるように、前記粒度入力に示された前記粒度レベルに基づいて判定された数のデータ特性を含み、
    前記コンテクスト分類のために、前記粒度入力に基づいて複数のコンフィギュレーションパラメータから1つのコンフィギュレーションパラメータを選択させ、前記複数のコンフィギュレーションパラメータは、前記粒度入力に示された異なる粒度レベルについての異なる値を含み、
    高い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、高いリソース利用レベルに対応付けされ、低い粒度レベルを示す粒度入力についてのコンフィギュレーションパラメータは、低いリソース利用レベルに対応付けされ、
    前記コンテクスト分類のために選択したコンフィギュレーションパラメータを使用して、前記データソースから収集した前記データ特性のデータを分類することで、前記コンテクスト分類出力の前記粒度レベルを示す前記粒度入力に従ってコンテクスト分類を実行させるように構成される、コンピュータプログラム。
  52. 前記選択したコンフィギュレーションパラメータは、利用したセンサ特性の数または分類部のデューティサイクルのうち少なくとも1つを含む、請求項51に記載のコンピュータプログラム。
  53. 前記粒度入力は、粒度設定の既定のセットから選択される、請求項51に記載のコンピュータプログラム。
  54. 前記粒度入力は、前記コンテクスト分類について利用可能な出力のサブセットを含む、請求項51に記載のコンピュータプログラム。
  55. 前記命令は、さらに、前記プロセッサに、前記コンテクスト分類出力を前記コンテクスト分類の要求のソースに戻させるように構成される命令を含む、請求項51に記載のコンピュータプログラム。
JP2016500307A 2013-03-15 2014-02-20 電力効率のよい分類のためのアプリケーションによって制御される粒度 Active JP6410787B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/835,596 2013-03-15
US13/835,596 US9679252B2 (en) 2013-03-15 2013-03-15 Application-controlled granularity for power-efficient classification
PCT/US2014/017236 WO2014143515A1 (en) 2013-03-15 2014-02-20 Application-controlled granularity for power-efficient classification

Publications (3)

Publication Number Publication Date
JP2016516235A JP2016516235A (ja) 2016-06-02
JP2016516235A5 true JP2016516235A5 (ja) 2017-12-07
JP6410787B2 JP6410787B2 (ja) 2018-10-24

Family

ID=50272726

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016500307A Active JP6410787B2 (ja) 2013-03-15 2014-02-20 電力効率のよい分類のためのアプリケーションによって制御される粒度

Country Status (8)

Country Link
US (1) US9679252B2 (ja)
EP (1) EP2972657B1 (ja)
JP (1) JP6410787B2 (ja)
KR (1) KR101831230B1 (ja)
CN (1) CN105190474B (ja)
BR (1) BR112015023491A2 (ja)
TW (1) TWI533124B (ja)
WO (1) WO2014143515A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10600007B2 (en) * 2014-08-04 2020-03-24 International Business Machines Corporation Auto-analyzing spatial relationships in multi-scale spatial datasets for spatio-temporal prediction
US10552746B2 (en) 2014-09-25 2020-02-04 International Business Machines Corporation Identification of time lagged indicators for events with a window period
JP6617744B2 (ja) * 2017-04-05 2019-12-11 トヨタ自動車株式会社 車両システム
JP7142420B2 (ja) * 2017-07-10 2022-09-27 キヤノン株式会社 画像処理装置、学習方法、学習済モデル、画像処理方法
US11027743B1 (en) * 2020-03-31 2021-06-08 Secondmind Limited Efficient computational inference using gaussian processes

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6115702A (en) 1997-12-23 2000-09-05 Hughes Electronics Corporation Automatic determination of report granularity
US6594313B1 (en) 1998-12-23 2003-07-15 Intel Corporation Increased video playback framerate in low bit-rate video applications
US20020138492A1 (en) * 2001-03-07 2002-09-26 David Kil Data mining application with improved data mining algorithm selection
US7203635B2 (en) 2002-06-27 2007-04-10 Microsoft Corporation Layered models for context awareness
US20060265712A1 (en) 2005-05-18 2006-11-23 Docomo Communications Laboratories Usa, Inc. Methods for supporting intra-document parallelism in XSLT processing on devices with multiple processors
US7580974B2 (en) 2006-02-16 2009-08-25 Fortinet, Inc. Systems and methods for content type classification
EP1939797A1 (en) * 2006-12-23 2008-07-02 NTT DoCoMo, Inc. Method and apparatus for automatically determining a semantic classification of context data
US8010658B2 (en) 2007-02-09 2011-08-30 Raytheon Company Information processing system for classifying and/or tracking an object
US20090195382A1 (en) * 2008-01-31 2009-08-06 Sensormatic Electronics Corporation Video sensor and alarm system and method with object and event classification
WO2009104721A1 (ja) 2008-02-21 2009-08-27 日本電気株式会社 携帯端末コンテキスト効率利用方法とシステム
US8412525B2 (en) 2009-04-30 2013-04-02 Microsoft Corporation Noise robust speech classifier ensemble
KR101584058B1 (ko) * 2009-08-07 2016-01-12 삼성전자주식회사 현재 상황에 적합한 사용 환경을 제공하는 휴대 단말기 및 이의 운용 방법
US8228234B2 (en) 2009-08-27 2012-07-24 Hewlett-Packard Development Company, L.P. Power saving system and method for mobile computing device
US20110225043A1 (en) 2010-03-12 2011-09-15 Yahoo! Inc. Emotional targeting
US20110310005A1 (en) 2010-06-17 2011-12-22 Qualcomm Incorporated Methods and apparatus for contactless gesture recognition
JP5495235B2 (ja) * 2010-12-02 2014-05-21 株式会社日立製作所 監視対象者の行動を監視する装置及び方法
US20120252490A1 (en) 2011-04-04 2012-10-04 Brian Hernacki Location Discovery
CN102902349B (zh) * 2012-11-08 2015-04-22 山东大学 一种通过触点动态采样技术降低嵌入式系统功耗的方法

Similar Documents

Publication Publication Date Title
JP2016516235A5 (ja)
US10740208B2 (en) Cloud infrastructure optimization
JP2017520068A5 (ja)
WO2019128475A1 (zh) 数据训练方法及装置、存储介质、电子装置
US11030012B2 (en) Methods and apparatus for allocating a workload to an accelerator using machine learning
US20170140278A1 (en) Using machine learning to predict big data environment performance
JP2015517147A5 (ja)
US10795655B1 (en) Provisioning of software applications on edge devices in an internet-of-things environment
EP3046030A3 (en) Method of allocating physical computing resource of computer system
JP2017511940A5 (ja)
US20150135186A1 (en) Computer system, method and computer-readable storage medium for tasks scheduling
JP2007079854A5 (ja)
US10963309B2 (en) Network interface controller-based scheduling of processing tasks in a distributed computing system
CN112148468B (zh) 一种资源调度方法、装置、电子设备及存储介质
US20200310874A1 (en) Job scheduler, job schedule control method, and storage medium
CN110347602B (zh) 多任务脚本执行方法及装置、电子设备及可读存储介质
US20210273996A1 (en) Distributed resource management by improving cluster diversity
KR102159953B1 (ko) 딥러닝 모델을 통한 추론 서비스를 제공할 때, 적어도 하나의 프로세서의 성능을 제어하는 전자 장치 및 그의 동작 방법
JP2017524404A5 (ja)
EP3695315A1 (en) Multi-instance 2lm architecture for scm applications
JP2013097467A5 (ja)
CN104753977A (zh) 基于模糊聚类的地震处理解释基础设施云资源调度方法
JP2015011365A (ja) プロビジョニング装置、システム、プロビジョニング方法、および、プロビジョニングプログラム
JP6550945B2 (ja) 判定制御プログラム、判定制御方法及び仮想マシン管理装置
US10812407B2 (en) Automatic diagonal scaling of workloads in a distributed computing environment