TWI606354B - 用於可穿戴型裝置之利用同屬性分類器以訓練個人化分類器之技術 - Google Patents
用於可穿戴型裝置之利用同屬性分類器以訓練個人化分類器之技術 Download PDFInfo
- Publication number
- TWI606354B TWI606354B TW104116684A TW104116684A TWI606354B TW I606354 B TWI606354 B TW I606354B TW 104116684 A TW104116684 A TW 104116684A TW 104116684 A TW104116684 A TW 104116684A TW I606354 B TWI606354 B TW I606354B
- Authority
- TW
- Taiwan
- Prior art keywords
- classifier
- trainable classifier
- trainable
- complexity
- processor
- Prior art date
Links
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/1613—Constructional details or arrangements for portable computers
- G06F1/163—Wearable computers, e.g. on a belt
-
- 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
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- User Interface Of Digital Computer (AREA)
- Image Analysis (AREA)
Description
實施例大致上係有關於分類器。更明確言之,實施例係有關於用於裝置諸如可穿戴型裝置之利用同屬性分類器以訓練個人化分類器之技術。
執行事件分類工作(例如,身體活動辨識、手勢辨識等)之複雜度及/或困難度之主要來源可能來自於屬於相同類別之樣本資料間有重大變化。此等資料變化可能原因在於個人差異(例如,不同人走路上的差異)及/或感測變化(例如,針對相同走路活動,同一個人檢知電話在手上相較於電話在口袋裡之不同信號樣式)。
依據本發明之一實施例,係特地提出一種可穿戴型裝置包含一電池用以供電該可穿戴型裝置;一使用者介面用以檢測於該可穿戴型裝置之一自訓練階段期間之一第一多個事件及於該可穿戴型裝置之一驗證階段期間之一第二多個事件;一或多個同屬性分類器用以基於該等第一多
個事件而產生自訓練資料;一個人分類器,其中該等一或多個同屬性分類器及該個人分類器係用以基於該等第二多個事件而產生驗證資料;及耦接至該等一或多個同屬性分類器及該個人分類器之一驗證器,該驗證器用以若該驗證資料指出該個人分類器相對於該等一或多個同屬性分類器滿足一信賴條件,則以該個人分類器取代該等一或多個同屬性分類器。
10‧‧‧使用者
12‧‧‧裝置
14、72a‧‧‧同屬性分類器
16、72b‧‧‧個人分類器
18、18a-c‧‧‧事件
20‧‧‧自訓練資料
22、24、26、32‧‧‧箭頭
28‧‧‧驗證資料
30‧‧‧分類資料
34-70‧‧‧處理方塊
72‧‧‧架構、邏輯架構
72c‧‧‧訓練器
72d‧‧‧驗證器
72e‧‧‧信賴查證器
74‧‧‧行動裝置、裝置
76‧‧‧電池
78‧‧‧處理器
80‧‧‧整合式記憶體控制器(IMC)
82‧‧‧系統記憶體
84‧‧‧輸出入(IO)模組
86‧‧‧使用者介面(UI)裝置
87‧‧‧硬體加速器
88‧‧‧大容量儲存裝置
藉由讀取後文說明書及隨附之申請專利範圍,及藉由參考下列圖式實施例之各項優點將為熟諳技藝人士顯然易知,附圖中:圖1為依據一實施例一種分類辦法之一實施例之方塊圖;圖2為依據一實施例操作一裝置之方法之一實施例之流程圖;圖3為依據一實施例操作一裝置之方法之一更細節實施例之流程圖;圖4為依據一實施例邏輯架構之一實施例之方塊圖;及圖5為依據一實施例裝置之一實施例之方塊圖。
現在轉向參考圖1,顯示一種分類辦法其中一使用者10與一裝置12互動,諸如可穿戴型裝置(例如,電子珠寶、衣著、鞋、眼鏡、頭戴式裝置等)、筆記型電腦、平板
電腦、變型平板、個人數位助理器(PDA)、行動網際網路裝置(MID)等。使用者10與裝置12間之互動可能呈下述形式,例如,由使用者10打出的而由裝置12之相機、觸控螢幕(例如,滑行輸入法(SWYPE)資料載入)、加速器、陀螺儀等偵測之手勢(例如,手勢、頭部及/或身體姿勢),或由使用者10當接觸裝置12時進行的其它身體活動(例如,走路)。該等互動可被檢測為事件18(18a-18c)其可由裝置12自動地歸類/分類,及用以即時從事其它操作,諸如游標移動、應用程式啟動、聯網通訊等。
例示裝置12包括一或多個同屬性分類器14及一個人分類器16。一般而言,該等同屬性分類器14可為針對多個個人(例如,含有不同個人之人口統計學及/或型別之大型族群)之軟體解決方案,及因而可能並不適合該特定使用者10的行為表現、樣式及/或移動。於該具體實施例中,同屬性分類器14係基於與該裝置12相聯結的第一多個事件18a而透過箭頭22線上(例如,「在進行中」)使用以產生自訓練資料20。此外,個人分類器16可基於由同屬性分類器14產生的自訓練資料而透過箭頭24線上訓練。
因例示的自訓練資料20係只從由使用者10進行互動結果所得,故一旦訓練之後,個人分類器16特別地可為適合該特定使用者10(例如,而非大型通用族群)的行為表現、樣式及/或移動。據此,個人分類器16在與由使用者10進行互動相聯結的分類事件可能高度精確。確實,若裝置12為可穿戴型裝置,例如手表或眼鏡,則個人分類器16的
準確度可能甚至更高,原因在於可穿戴型裝置典型地係以可預測方式附著於身體。因此,給定該裝置12之期望用途,就該特定使用者10而言,裝置12之位置可能有可忽略之變異度。
再者,該個人分類器16可體現為適用於即時應用的具有加速響應之一硬體解決方案(例如,可規劃樣式辨識神經網路)。舉例言之,一個此種硬體解決方案可包括具有一陣列之神經元的一相聯結記憶體之半導體矽體現,其中各個神經元儲存一n維參考特徵向量。該分類之進行方式係經由對映事件資料至神經元參考資料,使得各個神經元描述一決策空間之一部分。當訓練此種解決方案時,給定該訓練資料,一組神經元可被定義,使得整個決策空間係由全部神經元表示。給定與單一使用者/個人相關的訓練資料,表示該決策空間之該組神經元可能相當小,其可能轉而縮小硬體解決方案之記憶體空間、晶粒大小、及功率要求。如此,此種硬體解決方案之成本衝擊、電力耗用及複雜度皆可減至最低,原因在於例示之個人分類器16只處理單一使用者10(例如,並非大型族群)的相對應事件。自訓練資料20之產生及個人分類器16基於該自訓練資料20之訓練可視為該裝置12之一「自訓練階段」。
於該裝置12之一「驗證階段」期間,該等同屬性分類器14及該個人分類器16可基於裝置12相聯結的第二多個事件18b而透過箭頭26線上使用以產生驗證資料28。若驗證資料28指示個人分類器16滿足該同屬性分類器14相關之
一信賴條件,則當基於第三多個事件18c而透過箭頭32產生分類資料30時該裝置12可自動地以個人分類器16取代同屬性分類器14。容後詳述,該信賴條件可包括達到同屬性分類器14與個人分類器16間之一致臨界值,及達到一驗證案例臨界值。再者,裝置12也可進行週期性查證滿足信賴條件,若該等週期性查證中之任一者皆不成功,則重新訓練該個人分類器16。
現在轉向參考圖2,顯示一種操作一裝置諸如裝置12(圖1)之方法34。該方法34可於一或多個模組體現為一組邏輯指令儲存於機器-或電腦可讀取儲存媒體,諸如隨機存取記憶體(RAM)、唯讀記憶體(ROM)、可規劃ROM(PROM)、韌體、快閃記憶體等,於可組配邏輯諸如可規劃邏輯陣列(PLA)、可現場程式規劃閘陣列(FPGA)、複雜可規劃邏輯裝置(CPLD),於使用電路技術之固定功能邏輯硬體諸如特定應用積體電路(ASIC)、互補金氧半導體(CMOS)或電晶體-電晶體邏輯(TTL)技術,或其任一組合。舉例言之,進行方法34中顯示的電腦程式碼可以一或多個程式語言之任一項組合寫成,包括物件導向程式語言諸如爪哇、面對對象語言(Smalltalk)、C++等及習知程序程式語言,諸如「C」程式語言或類似程式語言。
例示之處理方塊36提供用於利用一或多個同屬性分類器基於與該裝置相聯結的一第一多個事件而產生自訓練資料。方塊37可基於該自訓練資料而訓練一個人分類器。方塊37可在該裝置上或遠端(例如,在雲端運算基礎架
構,訓練結果即時送返該裝置)線上進行。如此,方塊37可能涉及規劃一以半導體矽為基礎之樣式辨識神經網路(例如,對映該個人分類器至一硬體加速器/分類引擎)具有一組神經元反映該自訓練資料,其中用於個人分類器之該組神經元的格式化可在該裝置上進行,在雲端運算基礎架構上進行(例如,該裝置傳輸該自訓練資料至雲端,及自雲端接收該神經元規劃參數)。因而,該個人分類器可針對單一個體線上訓練,而該等一或多個同屬性分類器中之各者可針對多個個體離線訓練。
雖然於該例示實施例中該個人分類器係對映至一硬體加速器,但同屬性分類器可不使用硬體加速器以具成本效益。另一方面,用於個人化分類器,神經元數目可能少數,因而適合使用硬體加速器。
該等一或多個同屬性分類器及一個人分類器可用於方塊38以基於與該裝置相聯結的第二多個事件而產生驗證資料,其中於方塊40可判定有關是否滿足信賴條件。如前記,該信賴條件可包括例如,達到該等一或多個同屬性分類器與該個人分類器間之一致臨界值、達到一驗證案例臨界值等等。若該驗證資料指示相對於該等一或多個同屬性分類器,該個人分類器滿足該信賴條件,則該例示之方塊42以該個人分類器取代該等一或多個同屬性分類器。以該個人分類器取代該等一或多個同屬性分類器可能導致只有該個人分類器用以基於一第三多個事件自動地產生進行中的分類資料,其中該進行中的分類資料可轉而用以執
行其它即時操作,諸如游標移動、應用程式啟動、聯網通訊等。
圖3顯示操作一裝置諸如裝置12(圖1)之一進一步細節方法44。該方法44也可於一或多個模組體現為一組邏輯指令儲存於機器-或電腦可讀取儲存媒體,諸如RAM、ROM、PROM、韌體、快閃記憶體等,於可組配邏輯諸如PLA、FPGA、CPLD,於使用電路技術之固定功能邏輯硬體諸如ASIC、CMOS或TTL技術,或其任一組合。於起始方塊46中,配備有一同屬性分類器之一新穎裝置(例如,「開箱即用」)可由一使用者獲得。該同屬性分類器可用於方塊48以判定各個資料案例之類別(例如,分類各個事件),然後可加至針對各個資料類別維持的一個人資料匯集。
如此,若該裝置例如為一腕表含有運動感測技術(例如,一或多個加速器)經組配以檢測三個不同手勢,則方塊48可能涉及針對各類手勢產生與維持一個人資料匯集。據此,每次檢測一特定手勢,相對應於該事件之潛在事件資料(例如,加速器資料)可增加至相對應於該關注手勢之該個人資料匯集。例示方塊50決定於各類資料中之資料案例/事件之數目是否大於一特定臨界值(Dthresh)。若否,則該方法44可重複方塊48。若是,則於方塊52該個人化分類器可使用收集的個人資料訓練及可完成自訓練階段。
例示之方塊54始於驗證階段,藉起始一或多個變數,諸如案例/事件之數目(例如,N=0)及該同屬性分類器與該個人分類器一致的案例/事件之數目(例如,Nagree=0)。針
對一新的資料案例,方塊56可運行該同屬性分類器與該個人分類器兩者,及遞增案例/事件之數目(例如,N=N+1)。此外,例示之方塊58決定該同屬性分類器與該個人分類器是否一致(例如,兩個分類器將該事件歸類為相同手勢)。若否,則該例示之方法44可重複方塊56。若是,則於方塊60可遞增該同屬性分類器與該個人分類器一致的案例/事件之數目(例如,Nagree=Nagree+1)。
此外,於方塊62可判定是否已達(例如,N>Nmin)一驗證案例臨界值(Nmin)。若否,則該例示之方法44可重複方塊56。若是,則於方塊64可判定是否已經達到(例如,Nagree/N>Amin)該同屬性分類器與該個人分類器間之一致臨界值(「Amin」百分比)。若否,則藉處理返回方塊48可重複個人分類器之自訓練。否則,該個人分類器可合格通過驗證階段,及例示之方塊66設定一重新校準逾時至一特定值(例如,Trecal=目前時間+T)。若於例示之方塊68判定重新校準逾時已經屆滿(例如,目前時間>Trecal),則藉處理返回方塊54及驗證階段可進行滿足該信賴條件之一週期性查證。若重新校準逾時尚未屆滿,則結束方塊70可使用個人化分類器以於線上且即時歸類進行中之事件。
現在轉向參考圖4,顯示一邏輯架構72(72a-72e)。該架構72大致上體現一種方法之一或多個面向,諸如,前文已討論之方法34(圖2)及/或方法44(圖3)。據此,架構72可為方便結合入一裝置之設備,諸如前文討論之裝置12(圖1)。如此,架構72通常包括一或多個同屬性分
類器72a及一個人分類器72b。於該例示之實施例中,該等一或多個同屬性分類器72a基於與該裝置相聯結的一第一多個事件而產生自訓練資料,其中耦接至該個人分類器72b之一訓練器72c可基於自訓練資料訓練該個人分類器。可駐在該裝置上在雲端運算基礎架構上等的該訓練器也可將該個人分類器對映至一硬體加速器(例如,可規劃樣式辨識神經網路)具有適用於即時訓練及分類的一加速響應。
此外,該等一或多個同屬性分類器72a及該個人分類器72b可基於與該裝置相聯結的第二多個事件而產生驗證資料。於該例示之實施例中,若該驗證資料指出該個人分類器72b相對於該等一或多個同屬性分類器72a滿足該信賴條件,則耦接至該等一或多個同屬性分類器72a及該個人分類器72b的一驗證器72d可將該個人分類器72b取代該等一或多個同屬性分類器72a。如前記,該信賴條件可包括達到該等一或多個同屬性分類器72a與該個人分類器72b間之一致臨界值、達到一驗證案例臨界值等等。如此,針對多個個人,可離線訓練該等一或多個同屬性分類器72a中之各者;及針對單一個體可線上訓練個人分類器72b。於一個實施例中,同屬性分類器72a係於軟體以相對高度複雜度體現,及個人分類器72b係於硬體以相對低度複雜度體現,原因在於個人分類器72b聚焦在單一個體上。
例示之架構72也包括一信賴查證器72e以進行週期性查證該信賴條件係被滿足。若該週期性查證為不成功,則該訓練器72c可重新訓練該個人分類器72b。
圖5顯示一行動裝置74。該行動裝置74可為平台之部分,該平台具有運算功能(例如,PDA、筆記型電腦、平板電腦)、通訊功能(例如,無線智慧型電話)、成像功能、媒體播放功能(例如,智慧型電視/TV)、可穿戴型功能(例如,手表、眼鏡、頭戴式裝置、鞋、珠寶)、或其任何組合(例如,MID)。於該例示之實施例中,該裝置74包括一電池76以供應電力給該裝置74,及一處理器78具有一整合式記憶體控制器(IMC)80,其可與系統記憶體82通訊。該系統記憶體82可包括例如動態隨機存取記憶體(DRAM)經組配為一或多個記憶體模組,諸如雙排型記憶體模組(DIMM)、小輪廓DIMM(SODIMM)等。
該例示裝置74也包括一輸出入(IO)模組84,偶爾稱作為晶片組之南橋,其作為主機裝置,而可與例如一或多個使用者介面(UI)裝置86(例如,觸控螢幕、顯示器、數字小鍵盤、感測器)及大容量儲存裝置88(例如,硬碟驅動裝置/HDD、光碟、快閃記憶體等)通訊。例示處理器78可執行該邏輯架構72,其係經組配以如前文討論,利用一或多個同屬性分類器基於與該裝置74相聯結的一第一多個事件而產生自訓練資料,利用該等一或多個同屬性分類器及該個人分類器基於與該裝置74相聯結的第二多個事件而產生驗證資料,及若該驗證資料指出該個人分類器相對於該等一或多個同屬性分類器滿足一信賴條件,則針對該等一或多個同屬性分類器自動地取代該個人分類器。該邏輯架構72可選擇性地在該處理器78外部體現。此外,該處理器78及
該IO模組84可一起在相同半導體晶粒上體現為一單晶片系統(SoC)。
再者,該例示之裝置74也可包括一硬體加速器87(例如,可規劃樣式辨識神經網路)具有加速響應其適用於即時訓練及分類。舉例言之,一個此種硬體解決方案可包括具有一陣列之神經元的一相聯結的記憶體之半導體矽體現,其中各個神經元儲存一n維參考特徵向量。
額外附註及實施例:
實施例1可包括一種可穿戴型裝置包含一電池用以供電該可穿戴型裝置;一使用者介面用以檢測於該可穿戴型裝置之一自訓練階段期間之一第一多個事件及於該可穿戴型裝置之一驗證階段期間之一第二多個事件;一或多個同屬性分類器用以基於該等第一多個事件而產生自訓練資料;一個人分類器,其中該等一或多個同屬性分類器及該個人分類器係用以基於該等第二多個事件而產生驗證資料;及耦接至該等一或多個同屬性分類器及該個人分類器之一驗證器,該驗證器用以若該驗證資料指出該個人分類器相對於該等一或多個同屬性分類器滿足一信賴條件,則以該個人分類器取代該等一或多個同屬性分類器。
實施例2可包括實施例1之該可穿戴型裝置,其中該等一或多個同屬性分類器中之各者係針對多個個體離線訓練及該個人分類器係針對一單一個體線上訓練。
實施例3可包括實施例1之該可穿戴型裝置,其中該信賴條件係包括達到該等一或多個同屬性分類器與該個
人分類器間之一致臨界值。
實施例4可包括實施例3之該可穿戴型裝置,其中該信賴條件係進一步包括達到一驗證案例臨界值。
實施例5可包括實施例1至4中任一者之該可穿戴型裝置,其進一步包括耦接至該個人分類器之一訓練器,該訓練器用以基於該自訓練資料訓練該個人分類器。
實施例6可包括實施例5之該可穿戴型裝置,其進一步包括一信賴查證器以進行一週期性查證該信賴條件係被滿足,其中若該週期性查證為不成功則該訓練器係用以重新訓練該個人分類器。
實施例7可包括實施例5之該可穿戴型裝置,其進一步包括一硬體加速器,其中該訓練器係用以對映該個人分類器至該硬體加速器。
實施例8可包括一種操作一裝置之方法包含利用一或多個同屬性分類器以基於與該裝置相聯結的一第一多個事件而產生自訓練資料;利用該等一或多個同屬性分類器及一個人分類器以基於與該裝置相聯結的一第二多個事件而產生驗證資料;及若該驗證資料指出該個人分類器相對於該等一或多個同屬性分類器滿足一信賴條件,則以該個人分類器取代該等一或多個同屬性分類器。
實施例9可包括實施例8之該方法,其中該等一或多個同屬性分類器中之各者係針對多個個體離線訓練及該個人分類器係針對一單一個體線上訓練。
實施例10可包括實施例8之該方法,其中該信賴
條件係包括達到該等一或多個同屬性分類器與該個人分類器間之一致臨界值。
實施例11可包括實施例10之該方法,其中該信賴條件係進一步包括達到一驗證案例臨界值。
實施例12可包括實施例8至11中任一者之該方法,其進一步包括基於該自訓練資料訓練該個人分類器,及對映該個人分類器至一硬體加速器。
實施例13可包括實施例12之該方法,其進一步包括進行一週期性查證該信賴條件係被滿足;及若該週期性查證為不成功則重新訓練該個人分類器。
實施例14可包括一種包含一組指令的至少一個電腦可讀取儲存媒體,其當由一計算裝置執行時使得該計算裝置用以利用一或多個同屬性分類器以基於與該計算裝置相聯結的一第一多個事件而產生自訓練資料;利用該等一或多個同屬性分類器及一個人分類器以基於與該裝置相聯結的一第二多個事件而產生驗證資料;及若該驗證資料指出該個人分類器相對於該等一或多個同屬性分類器滿足一信賴條件,則以該個人分類器取代該等一或多個同屬性分類器。
實施例15可包括實施例14之該至少一個電腦可讀取儲存媒體,其中該等一或多個同屬性分類器中之各者係針對多個個體離線訓練及該個人分類器係針對一單一個體線上訓練。
實施例16可包括實施例14之該至少一個電腦可
讀取儲存媒體,其中該信賴條件係包括達到該等一或多個同屬性分類器與該個人分類器間之一致臨界值。
實施例17可包括實施例16之該至少一個電腦可讀取儲存媒體,其中該信賴條件係進一步包括達到一驗證案例臨界值。
實施例18可包括實施例14至17中任一者之該至少一個電腦可讀取儲存媒體,其中該等指令當執行時使得該計算裝置用以基於該自訓練資料訓練該個人分類器,及對映該個人分類器至一硬體加速器。
實施例19可包括實施例17之該至少一個電腦可讀取儲存媒體,其中該等指令當執行時使得該計算裝置用以進行一週期性查證該信賴條件係被滿足;及若該週期性查證為不成功則重新訓練該個人分類器。
實施例20可包括一種事件分類設備包含一或多個同屬性分類器用以基於與該裝置相聯結的一第一多個事件而產生自訓練資料;一個人分類器,其中該等一或多個同屬性分類器及該個人分類器係用以基於與該裝置相聯結的一第二多個事件而產生驗證資料;及耦接至該等一或多個同屬性分類器及該個人分類器之一驗證器,該驗證器用以若該驗證資料指出該個人分類器相對於該等一或多個同屬性分類器滿足一信賴條件,則以該個人分類器取代該等一或多個同屬性分類器。
實施例21可包括實施例20之該設備,其中該等一或多個同屬性分類器中之各者係針對多個個體離線訓練及
該個人分類器係針對一單一個體線上訓練。
實施例22可包括實施例20之該設備,其中該信賴條件係包括達到該等一或多個同屬性分類器與該個人分類器間之一致臨界值。
實施例23可包括實施例22之該設備,其中該信賴條件係進一步包括達到一驗證案例臨界值。
實施例24可包括實施例20至23中任一者之該設備,其進一步包括耦接至該個人分類器之一訓練器,該訓練器用以基於該自訓練資料訓練該個人分類器及對映該個人分類器至一硬體加速器。
實施例25可包括實施例24之該設備,其進一步包括一信賴查證器以進行一週期性查證該信賴條件係被滿足,其中若該週期性查證為不成功則該訓練器係用以重新訓練該個人分類器。
實施例26可包括一種包含用以執行實施例8至13中任一者之該方法之事件分類設備。
如此,此處描述之技術可使得一裝置之一使用者始於以複雜軟體為基礎之同屬性分類器,其中一受約束以硬體為基礎之個人分類器當習得一特定個體之行為樣式時,可橫跨長時間在分類事件上扮演要角。此種辦法可減少資料變異,其可又轉而最小化欲習得之特徵,源少特徵擷取之運算,及讓分類工作變得更容易。再者,以硬體為基礎之個人分類器之使用可能導致硬體組件減少,晶粒大小縮小及電源效率改良。簡言之,此處描述之技術可使得
電池壽命延長,因類別間之較佳資料分開故準確度較高,及辨識速度改良。
實施例適用於全部型別之半導體積體電路(IC)晶片。此等IC晶片之實施例包括但非限制性,處理器、控制器、晶片組組件、可規劃邏輯陣列(PLA)、記憶體晶片、網路晶片、單晶片系統(SoC)、SSD/NAND控制器ASIC等。此外,於附圖之若干圖式中,信號導體線係以線表示。有些可能不同以指示更多組成信號路徑,具有號碼標記以指示組成信號路徑之數目,及/或在一端或多端有箭頭以指示主要資訊流向。但如此不應以限制意義解譯。反而,此種額外細節可連結一或多個具體實施例使用以輔助電路之更容易瞭解。無論是否具有額外資訊,任何表示之信號線皆可實際上包含一或多個信號其可於多個方向行進且可以任何合宜型別之信號方案體現,例如,以差示對體現之數位線或類比線、光纖線、及/或單端線。
已經給定大小/模型/值/範圍之實施例,但實施例並非囿限於此。製造技術(例如,微影術)隨著時間之推移而趨成熟,預期可製造更小尺寸之裝置。此外,IC晶片及其它組件之眾所周知的電源/接地連結為求例示及討論之簡明,可以或可不顯示於附圖中,以便不遮掩實施例之某些面向。又,可以方塊圖形式顯示配置以免遮掩實施例,及又有鑑於就此種方塊圖配置之體現規格係與欲體現之該實施例內部之平台有高度相依性,亦即此等規格須落入於熟諳技藝人士之技巧範圍內。雖然陳述規格細節(例如,電路)
以描述具體實施例,但熟諳技藝人士顯然易知可無或有此等特定細節實施實施例。如此該描述須視為例示性而非限制性。
「耦合」一詞用於此處指稱關注組件之任何型別的直接的或間接的關係,且可應用至電氣、機械、流體、光學、電磁、電機或其它連結。此外,術語「第一」、「第二」等用於此處只為了輔助討論,除非另行載明否則不帶有任何特定時間或時間順序意義。
熟諳技藝人士從前文詳細說明部分將瞭解該等實施例之廣義技術可以多種形式體現。因此,須瞭解雖然該等實施例已經連結其特定實施例描述,但該等實施例之真正範圍不應受此所限,原因在於熟諳技藝人士當研讀附圖、說明書、及如下申請專利範圍各項時其它修改將變成顯然易明。
10‧‧‧使用者
12‧‧‧裝置
14‧‧‧同屬性分類器
16‧‧‧個人分類器
18、18a-c‧‧‧事件
20‧‧‧自訓練資料
22、24、26、32‧‧‧箭頭
28‧‧‧驗證資料
30‧‧‧進行中分類資料
Claims (24)
- 一種可用於與樣式辨識相關操作相聯結之設備,該設備包含:一第一可訓練分類器,其使用在與該樣式辨識相關操作相聯結之分類操作,該第一可訓練分類器係能夠至少部分基於輸入資料而提供輸出資料,該第一可訓練分類器具有一第一複雜度;其中:該設備係能夠動態地選擇一第二可訓練分類器,其至少部分基於該輸出資料是否滿足至少一信賴相關臨界值而被使用於該分類操作,該第二可訓練分類器具有不同於該第一複雜度之一第二複雜度。
- 如請求項1之設備,其中:該第二複雜度與該第一複雜度比較為一相對較低的複雜度。
- 如請求項1之設備,其中:該第一可訓練分類器至少部分透過要由至少一處理器所執行之軟體而被實施;且該第二可訓練分類器至少部分使用至少一可規劃、以硬體為基礎之神經網路而被實施。
- 如請求項1之設備,其中:該第一可訓練分類器係能夠透過與多個個體相聯結之離線訓練而被訓練;及/或 該第二可訓練分類器係能夠透過與一單一個體相聯結之線上訓練而被訓練。
- 如請求項1之設備,其中:該至少一信賴相關臨界值係至少部分與一在該第一可訓練分類器與該第二可訓練分類器之間的一致臨界值相聯結。
- 如請求項1之設備,其中:該第一可訓練分類器及該第二可訓練分類器係包含在至少一積體電路晶片中。
- 如請求項1之設備,其中:該第二可訓練分類器包含一陣列之神經元;該第二可訓練分類器係能夠至少部分基於事件資料至參考資料的對映而分類該輸入資料,以使得一決策空間由該陣列之神經元所表示。
- 如請求項1之設備,其中:該輸入資料係能夠至少部分透過智慧型電話而被提供。
- 如請求項1之設備,其中:該設備亦包含該第二可訓練分類器。
- 如請求項1之設備,其中:該設備進一步包含一行動裝置,其包含:一電池,用以對該行動裝置提供電力;至少一使用者介面裝置,其當該行動裝置於操作中時包括一觸控螢幕裝置; 記憶體;以及一與該記憶體通訊之處理器,被使用來實施該第一可訓練分類器,並且用以至少部分基於該輸出資料是否滿足該至少一信賴相關臨界值而自動地選擇該第二可訓練分類器。
- 如請求項10之設備,其中:該行動裝置進一步包含一輸入/輸出裝置,用以與該處理器及該至少一使用者介面裝置通訊;且該處理器及該輸入/輸出裝置係包含在一單晶片系統中。
- 如請求項11之設備,其中:該行動裝置進一步包含一硬體加速器,用於實施該第二可訓練分類器。
- 一種儲存有指令之至少一個電腦可讀取儲存媒體,該指令當由一機器所執行時,導致該機器能夠進行操作包含:將一第一可訓練分類器使用在與樣式辨識相關操作相聯結之分類操作,該第一可訓練分類器係用以至少部分基於輸入資料而提供輸出資料,該第一可訓練分類器具有一第一複雜度;至少部分基於該輸出資料是否滿足至少一信賴相關臨界值而動態地選擇是否將一第二可訓練分類器使用於該分類操作,該第二可訓練分類器具有不同於該第一複雜度之一第二複雜度。
- 如請求項13之至少一個電腦可讀取儲存媒體,其中:該第二複雜度與該第一複雜度比較為一相對較低的複雜度。
- 如請求項13之至少一個電腦可讀取儲存媒體,其中:該第一可訓練分類器至少部分透過要由至少一處理器所執行之軟體而被實施;且該第二可訓練分類器至少部分使用至少一可規劃、以硬體為基礎之神經網路而被實施。
- 如請求項13之至少一個電腦可讀取儲存媒體,其中:該第一可訓練分類器係能夠透過與多個個體相聯結之離線訓練而被訓練;及/或該第二可訓練分類器係能夠透過與一單一個體相聯結之線上訓練而被訓練。
- 如請求項13之至少一個電腦可讀取儲存媒體,其中:該至少一信賴相關臨界值係至少部分與一在該第一可訓練分類器與該第二可訓練分類器之間的致臨界值相聯結。
- 如請求項13之至少一個電腦可讀取儲存媒體,其中:該第一可訓練分類器及該第二可訓練分類器係包含在至少一積體電路晶片中。
- 如請求項13之至少一個電腦可讀取儲存媒體,其中:該第二可訓練分類器包含一陣列之神經元;該第二可訓練分類器係能夠至少部分基於事件資料至參考資料的對映而分類該輸入資料,以使得一決策 空間由該陣列之神經元所表示。
- 如請求項13之至少一個電腦可讀取儲存媒體,其中:該輸入資料係能夠至少部分透過智慧型電話而被提供。
- 如請求項13之至少一個電腦可讀取儲存媒體,其中:該機器包含一行動裝置,其包含:一電池,用以對該行動裝置提供電力;至少一使用者介面裝置,其當該行動裝置於操作中時包括一觸控螢幕裝置;記憶體;一與該記憶體通訊之處理器,被使用來實施該第一可訓練分類器,並且至少部分基於該輸出資料是否滿足該至少一信賴相關臨界值而自動地選擇該第二可訓練分類器;一輸入/輸出裝置,用以與該處理器及該至少一使用者介面裝置通訊;一硬體加速器,使用在實施該第二可訓練分類器;且該處理器及該輸入/輸出裝置係包含在一單晶片系統中。
- 一種供使用於與樣式辨識相關操作相聯結之方法,該方法包含:將一第一可訓練分類器使用在與該樣式辨識相關操作相聯結之分類操作,該第一可訓練分類器係用以至 少部分基於輸入資料而提供輸出資料,該第一可訓練分類器具有一第一複雜度;至少部分基於該輸出資料是否滿足至少一信賴相關臨界值而動態地選擇是否將一第二可訓練分類器使用於該分類操作,該第二可訓練分類器具有不同於該第一複雜度之一第二複雜度。
- 如請求項22之方法,其中:該第二複雜度與該第一複雜度比較為一相對較低的複雜度;該第一可訓練分類器至少部分透過要由至少一處理器所執行之軟體而被實施;該第二可訓練分類器至少部分使用至少一可規劃、以硬體為基礎之神經網路而被實施;該輸入資料係能夠至少部分透過智慧型電話而被提供。
- 如請求項22之方法,其中:該方法使用一行動裝置被實施,該行動裝置包含:一電池,用以對該行動裝置提供電力;至少一使用者介面裝置,其當該行動裝置於操作中時包括一觸控螢幕裝置;記憶體;一與該記憶體通訊之處理器,被使用來實施該第一可訓練分類器,並且至少部分基於該輸出資料是否滿足該至少一信賴相關臨界值而自動地選擇該第二 可訓練分類器;一輸入/輸出裝置,用以與該處理器及該至少一使用者介面裝置通訊;且該處理器及該輸入/輸出裝置係包含在一單晶片系統中。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/318,555 US9563855B2 (en) | 2014-06-27 | 2014-06-27 | Using a generic classifier to train a personalized classifier for wearable devices |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201602815A TW201602815A (zh) | 2016-01-16 |
TWI606354B true TWI606354B (zh) | 2017-11-21 |
Family
ID=54930928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW104116684A TWI606354B (zh) | 2014-06-27 | 2015-05-25 | 用於可穿戴型裝置之利用同屬性分類器以訓練個人化分類器之技術 |
Country Status (5)
Country | Link |
---|---|
US (2) | US9563855B2 (zh) |
EP (1) | EP3164789A4 (zh) |
KR (1) | KR20160146964A (zh) |
TW (1) | TWI606354B (zh) |
WO (1) | WO2015200168A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI718422B (zh) * | 2017-12-15 | 2021-02-11 | 開曼群島商創新先進技術有限公司 | 對模型預測值進行融合的方法、裝置和設備 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178024A1 (en) * | 2015-12-22 | 2017-06-22 | Luis S. Kida | Unsupervised personalization service based on subject similarity modeling |
US9781243B1 (en) * | 2016-06-27 | 2017-10-03 | Intel Corporation | Optimizing wearable device settings using machine learning |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5487133A (en) * | 1993-07-01 | 1996-01-23 | Intel Corporation | Distance calculating neural network classifier chip and system |
JP2001126056A (ja) * | 1999-10-26 | 2001-05-11 | Mitsubishi Electric Inf Technol Center America Inc | 複数の形態で動作するシステムをモデリングするための方法および多様な形態で動作する動的システムをモデリングするための装置 |
US6901398B1 (en) * | 2001-02-12 | 2005-05-31 | Microsoft Corporation | System and method for constructing and personalizing a universal information classifier |
US8010471B2 (en) | 2007-07-13 | 2011-08-30 | Microsoft Corporation | Multiple-instance pruning for learning efficient cascade detectors |
US20090263010A1 (en) * | 2008-04-18 | 2009-10-22 | Microsoft Corporation | Adapting a parameterized classifier to an environment |
US20090326339A1 (en) | 2008-06-26 | 2009-12-31 | Microsoft Corporation | Connected healthcare devices with real-time and proactive capture and relay of contextual information |
US9591118B2 (en) * | 2009-01-01 | 2017-03-07 | Intel Corporation | Pose to device mapping |
FI20095570L (fi) * | 2009-05-22 | 2009-09-11 | Valtion Teknillinen | Kontekstin tunnistaminen mobiiliaitteissa |
US8385632B2 (en) * | 2010-06-01 | 2013-02-26 | Mitsubishi Electric Research Laboratories, Inc. | System and method for adapting generic classifiers for object detection in particular scenes using incremental training |
US8706656B1 (en) | 2011-08-26 | 2014-04-22 | Google Inc. | Multi-label modeling using a plurality of classifiers |
EP2629241A1 (en) | 2012-02-16 | 2013-08-21 | Orcam Technologies Ltd. | Control of a wearable device |
US9153230B2 (en) * | 2012-10-23 | 2015-10-06 | Google Inc. | Mobile speech recognition hardware accelerator |
US20140244209A1 (en) * | 2013-02-22 | 2014-08-28 | InvenSense, Incorporated | Systems and Methods for Activity Recognition Training |
US20150170053A1 (en) * | 2013-12-13 | 2015-06-18 | Microsoft Corporation | Personalized machine learning models |
US20150242760A1 (en) * | 2014-02-21 | 2015-08-27 | Microsoft Corporation | Personalized Machine Learning System |
-
2014
- 2014-06-27 US US14/318,555 patent/US9563855B2/en active Active
-
2015
- 2015-05-25 TW TW104116684A patent/TWI606354B/zh active
- 2015-06-22 WO PCT/US2015/036886 patent/WO2015200168A1/en active Application Filing
- 2015-06-22 KR KR1020167032880A patent/KR20160146964A/ko not_active Application Discontinuation
- 2015-06-22 EP EP15811942.0A patent/EP3164789A4/en not_active Withdrawn
-
2017
- 2017-02-06 US US15/425,763 patent/US20170178032A1/en not_active Abandoned
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI718422B (zh) * | 2017-12-15 | 2021-02-11 | 開曼群島商創新先進技術有限公司 | 對模型預測值進行融合的方法、裝置和設備 |
Also Published As
Publication number | Publication date |
---|---|
US20150379421A1 (en) | 2015-12-31 |
KR20160146964A (ko) | 2016-12-21 |
WO2015200168A1 (en) | 2015-12-30 |
TW201602815A (zh) | 2016-01-16 |
US20170178032A1 (en) | 2017-06-22 |
EP3164789A4 (en) | 2018-03-07 |
EP3164789A1 (en) | 2017-05-10 |
US9563855B2 (en) | 2017-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11829720B2 (en) | Analysis and validation of language models | |
US10275022B2 (en) | Audio-visual interaction with user devices | |
US11249554B2 (en) | Method and apparatus for selecting between multiple gesture recognition systems | |
Shahmohammadi et al. | Smartwatch based activity recognition using active learning | |
CN104641657B (zh) | 基于用户意图和/或身份调整移动设备状态 | |
US10572072B2 (en) | Depth-based touch detection | |
Conti et al. | Accelerated visual context classification on a low-power smartwatch | |
CN106605201A (zh) | 用于电池管理的减小尺寸的用户界面 | |
US9746929B2 (en) | Gesture recognition using gesture elements | |
US10445564B2 (en) | Method and device for recognizing facial expressions | |
TWI606354B (zh) | 用於可穿戴型裝置之利用同屬性分類器以訓練個人化分類器之技術 | |
US11468270B2 (en) | Electronic device and feedback information acquisition method therefor | |
Sharma et al. | SparseIMU: Computational design of sparse IMU layouts for sensing fine-grained finger microgestures | |
KR102476619B1 (ko) | 전자 장치 및 이의 제어 방법 | |
US20240063837A1 (en) | Smart ring | |
EP3224785B1 (en) | Energy harvesting wearable authentication | |
US20230394248A1 (en) | Injection of user feedback into language model adaptation | |
JP6947460B1 (ja) | プログラム、情報処理装置、及び方法 | |
Wu et al. | Data glove-based gesture recognition using CNN-BiLSTM model with attention mechanism | |
US10528122B2 (en) | Gesture experiences in multi-user environments | |
Zhao et al. | Motion gesture delimiters for smartwatch interaction | |
CN116522006B (zh) | 基于视图自监督训练的慕课推荐方法及系统 | |
Zhang | Machine learning-based health-related behavior detection using wearables | |
Hou et al. | STMMI: A Self‐Tuning Multi‐Modal Fusion Algorithm Applied in Assist Robot Interaction | |
KR20240108620A (ko) | 인공지능 기반으로 지속적인 보청기 관리를 통한 보청기 사용자의 청력 및 사용 환경 분석 기반 사용자 맞춤형 보청기 추천 서비스 제공방법, 장치 및 시스템 |