使用本地设备提供的传感器数据和标签的基于云的处理制造技术

技术编号:19397125 阅读:13 留言:0更新日期:2018-11-10 05:08
一种训练因设备而异的基于云的音频处理器的方法包括接收从本地设备处的多个传感器获取的传感器数据。该方法还包括接收使用本地配置信息在该本地设备上计算出的空间信息标签。这些空间信息标签与所获取的传感器数据相关联。基于这些空间信息标签和传感器数据来训练第一神经网络的下层。已训练的下层被纳入到用于音频分类的第二较大神经网络中。可以使用第一神经网络的已训练的下层来重新训练第二较大神经网络。

【技术实现步骤摘要】
【国外来华专利技术】使用本地设备提供的传感器数据和标签的基于云的处理相关申请的交叉引用本申请要求于2016年3月18日提交且题为“CLOUD-BASEDPROCESSINGUSINGLOCALDEVICEPROVIDEDSENSORDATAANDLABELS(使用本地设备提供的传感器数据和标签的基于云的处理)”的美国临时专利申请No.62/310,147的权益,其公开内容通过援引全部明确纳入于此。背景领域本公开的某些方面一般涉及机器学习,尤其涉及改进使用本地设备的传感器数据和标签的基于云的处理的系统和方法。
技术介绍
可包括一群互连的人工神经元(例如,神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。卷积神经网络是一种前馈人工神经网络。卷积神经网络可包括神经元集合,其中每个神经元具有感受野并且共同地拼出一输入空间。卷积神经网络(CNN)具有众多应用。具体而言,CNN已被广泛使用于模式识别和分类领域。深度学习架构(诸如深度置信网络和深度卷积网络)是分层神经网络架构,其中第一层神经元的输出变成第二层神经元的输入,第二层神经元的输出变成第三层神经元的输入,依此类推。深度神经网络可被训练以识别特征阶层并且因此它们已被越来越多地用于对象识别应用。类似于卷积神经网络,这些深度学习架构中的计算可分布在处理节点群体上,其可被配置在一个或多个计算链中。这些多层架构可每次训练一层并可使用后向传播微调。其他模型也可用于对象识别。例如,支持向量机(SVM)是可被应用于分类的学习工具。支持向量机包括对数据进行归类的分离超平面(例如,决策边界)。该超平面由受监督式学习来定义。期望的超平面增加训练数据的裕量。换言之,超平面应该具有到训练示例的最大的最小距离。尽管这些解决方案在数个分类基准上达到了优异的结果,但它们的计算复杂度可能极其高。另外,模型的训练可能是有挑战性的。概述在本公开的一方面,给出了一种训练因设备而异的基于云的音频处理器的方法。该方法包括接收从本地设备处的多个传感器获取的传感器数据,以及接收使用本地配置信息在该本地设备上计算出的空间信息标签。这些空间信息标签与所获取的传感器数据相关联。该方法还包括基于这些空间信息标签和传感器数据来训练第一神经网络的下层。附加地,该方法包括将已训练的下层纳入到用于音频分类的第二较大神经网络中。该方法进一步包括使用第一神经网络的已训练的下层来重新训练第二神经网络。在本公开的另一方面,给出了一种使用人工神经网络来进行基于云的音频处理的方法。该方法包括接收本地设备的设备标识信息和从该本地设备处的多个传感器获取的传感器数据。该方法还包括基于该设备标识信息来设置该神经网络的卷积滤波器。该方法进一步包括在不重新训练该神经网络的情况下基于该传感器数据来预测音频事件分类。在本公开的又一方面,给出了一种用于训练因设备而异的基于云的音频处理器的装置。该装置包括耦合到至少一个处理器的存储器。该一个或多个处理器被配置成:接收从本地设备处的多个传感器获取的传感器数据,以及接收使用本地配置信息在该本地设备上计算出的空间信息标签。这些空间信息标签与所获取的传感器数据相关联。该(一个或多个)处理器还被配置成基于这些空间信息标签和传感器数据来训练第一神经网络的下层。附加地,该(一个或多个)处理器被配置成将已训练的下层纳入到用于音频分类的第二较大神经网络中。该(一个或多个)处理器被进一步配置成使用第一神经网络的已训练的下层来重新训练第二神经网络。在本公开的再一方面,给出了一种用于使用人工神经网络来进行基于云的音频处理的装置。该装置包括耦合到至少一个处理器的存储器。该一个或多个处理器被配置成接收本地设备的设备标识信息和从该本地设备处的多个传感器获取的传感器数据。该(一个或多个)处理器还被配置成基于该设备标识信息来设置该神经网络的卷积滤波器。该(一个或多个)处理器被配置成在不重新训练该神经网络的情况下基于该传感器数据来预测音频事件分类。在本公开的一方面,给出了一种用于训练因设备而异的基于云的音频处理器的装备。该装备包括:用于接收从本地设备处的多个传感器获取的传感器数据的装置,以及用于接收使用本地配置信息在该本地设备上计算出的空间信息标签的装置。这些空间信息标签与所获取的传感器数据相关联。该装备还包括用于基于这些空间信息标签和传感器数据来训练第一神经网络的下层的装置。附加地,该装备包括用于将已训练的下层纳入到用于音频分类的第二神经网络中的装置。该装备进一步包括用于使用第一神经网络的已训练的下层来重新训练第二较大神经网络的装置。在本公开的另一方面,给出了一种用于使用人工神经网络来进行基于云的音频处理的装备。该装备包括用于接收本地设备的设备标识信息和从该本地设备处的多个传感器获取的传感器数据的装置。该装备还包括用于基于该设备标识信息来设置该神经网络的卷积滤波器的装置。该装备进一步包括用于在不重新训练该神经网络的情况下基于该传感器数据来预测音频事件分类的装置。根据本公开的又一方面,给出了一种非瞬态计算机可读介质。该非瞬态计算机可读介质上编码有用于训练因设备而异的基于云的音频处理器的程序代码。该程序代码由处理器执行并且包括用于接收从本地设备处的多个传感器获取的传感器数据的程序代码,以及用于接收使用本地配置信息在该本地设备上计算出的空间信息标签的程序代码。这些空间信息标签与所获取的传感器数据相关联。该程序代码还包括基于这些空间信息标签和传感器数据来训练第一神经网络的下层的程序代码。附加地,该程序代码包括用于将已训练的下层纳入到用于音频分类的第二神经网络中的程序代码。该程序代码进一步包括用于使用第一神经网络的已训练的下层来重新训练第二较大神经网络的程序代码。根据本公开的再一方面,给出了一种非瞬态计算机可读介质。该非瞬态计算机可读介质上编码有用于使用人工神经网络来进行基于云的音频处理的程序代码。该程序代码由处理器执行并且包括用于接收本地设备的设备标识信息和从该本地设备处的多个传感器获取的传感器数据的程序代码。该处理器还包括用于基于该设备标识信息来设置该神经网络的卷积滤波器的程序代码。该程序代码进一步包括用于在不重新训练该神经网络的情况下基于该传感器数据来预测音频事件分类的程序代码。本公开的附加特征和优点将在下文描述。本领域技术人员应当领会,本公开可容易地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还应认识到,这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理解。然而,要清楚理解的是,提供每一幅附图均仅用于解说和描述目的,且无意作为对本公开的限定的定义。附图简述在结合附图理解下面阐述的详细描述时,本公开的特征、本质和优点将变得更加明显,在附图中,相同附图标记始终作相应标识。图1解说了根据本公开的某些方面的使用片上系统(SOC)(包括通用处理器)来设计神经网络的示例实现。图2解说了根据本公开的各方面的系统的示例实现。图3A是解说根据本公开的各方面的神经网络的示图。图3B是解说根据本公开的各方面的示例性深度卷积网络(DCN)的框图。图4是解说根据本公开的各方面的可将人工智能(AI)功本文档来自技高网...

【技术保护点】
1.一种训练因设备而异的基于云的音频处理器的方法,包括:接收从本地设备处的多个传感器获取的传感器数据;接收使用本地配置信息在所述本地设备上计算出的空间信息标签,所述空间信息标签与所获取的传感器数据相关联;基于所述空间信息标签和传感器数据来训练第一神经网络的下层;将已训练的下层纳入到用于音频分类的第二神经网络中;以及使用所述第一神经网络的所述已训练的下层来重新训练所述第二神经网络。

【技术特征摘要】
【国外来华专利技术】2016.03.18 US 62/310,147;2016.09.22 US 15/273,4961.一种训练因设备而异的基于云的音频处理器的方法,包括:接收从本地设备处的多个传感器获取的传感器数据;接收使用本地配置信息在所述本地设备上计算出的空间信息标签,所述空间信息标签与所获取的传感器数据相关联;基于所述空间信息标签和传感器数据来训练第一神经网络的下层;将已训练的下层纳入到用于音频分类的第二神经网络中;以及使用所述第一神经网络的所述已训练的下层来重新训练所述第二神经网络。2.如权利要求1所述的方法,其特征在于,重新训练包括重新训练所述第一神经网络和所述第二神经网络。3.如权利要求1所述的方法,其特征在于,重新训练包括仅重新训练所述第二神经网络。4.如权利要求1所述的方法,其特征在于,进一步包括基于所述空间信息标签来将经波束成形的流与所述传感器数据分离。5.如权利要求4所述的方法,其特征在于,进一步包括基于所述经波束成形的流来对所述传感器数据进行分类。6.如权利要求1所述的方法,其特征在于,所述空间信息标签包括抵达方向标签。7.一种使用人工神经网络来进行基于云的音频处理的方法,包括:接收本地设备的设备标识信息和从所述本地设备处的多个传感器获取的传感器数据;基于所述设备标识信息来设置所述神经网络的卷积滤波器;以及在不重新训练所述神经网络的情况下基于所述传感器数据来预测音频事件分类。8.如权利要求7所述的方法,其特征在于,进一步包括:接收所述本地设备的波束成形滤波器;以及用所接收到的波束成形滤波器来代替所述神经网络的所述卷积滤波器,而不重新训练所述神经网络。9.一种用于训练因设备而异的基于云的音频处理器的装置,包括:存储器;以及耦合至所述存储器的至少一个处理器,所述至少一个处理器被配置成:接收从本地设备处的多个传感器获取的传感器数据;接收使用本地配置信息在所述本地设备上计算出的空间信息标签,所述空间...

【专利技术属性】
技术研发人员:E·维斯M·晋LH·金R·皮瑞S·张
申请(专利权)人:高通股份有限公司
类型:发明
国别省市:美国,US

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1