在无线网络中管理众包摄影制造技术

智能相机网络在无线网络上协作地获取图像。该网络基于触发来自动地捕捉图像。该触发可包括来自其他图像捕捉设备的消息。基于来自至少一个其他图像捕捉设备的消息，第一图像捕捉设备被触发以获取图像。

Managing crowdsourcing photography in wireless networks

The smart camera network collaboratively acquires images on wireless networks. The network automatically captures images based on triggering. The trigger can include messages from other image capturing devices. Based on the message from at least one other image capturing device, the first image capturing device is triggered to acquire the image.

【技术实现步骤摘要】
【国外来华专利技术】在无线网络中管理众包摄影背景领域本公开的某些方面一般涉及机器学习，尤其涉及在无线网络上管理多媒体的系统和方法，包括经由协作式摄影机制来自动地捕捉图像。背景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，其中每一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反向传播微调。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。概述在一个方面，公开了一种协作式摄影的方法。该方法包括至少部分地基于来自至少一个其他图像捕捉设备的消息来触发第一图像捕捉设备获取图像。另一方面公开了一种用于协作式摄影的装备，该装备包括用于至少部分地基于来自至少一个其他图像捕捉设备的消息来触发第一图像捕捉设备获取图像的装置。该装备还包括用于获取图像的装置。另一方面公开了具有存储器以及耦合至所述存储器的至少一个处理器的无线通信。(诸)处理器被配置成：至少部分地基于来自至少一个其他图像捕捉设备的消息来触发第一图像捕捉设备获取图像。另一方面公开了一种用于协作式摄影的非瞬态计算机可读存储介质。该计算机可读介质上记录有非瞬态程序代码，该程序代码在由(诸)处理器执行时使得该(诸)处理器执行如下操作：至少部分地基于来自至少一个其他图像捕捉设备的消息来触发第一图像捕捉设备获取图像。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)功能模块化的示例性软件架构的框图。图5是解说根据本公开的各方面的智能手机上的AI应用的运行时操作的框图。图6A是解说根据本公开的各方面的用于管理智能手机上的多媒体的AI应用的运行时操作的框图。图6B是解说根据本公开的各方面的用于协作式摄影的操作的框图。图7A-7B是解说根据本公开的各方面的训练DCN以对图像进行排名的框图。图7C是解说根据本公开的各方面的经训练的DCN排名图像的框图。图8解说了根据本公开的各方面的用于管理多媒体的方法。详细描述以下结合附图阐述的详细描述旨在作为各种配置的描述，而无意表示可实践本文中所描述的概念的仅有的配置。本详细描述包括具体细节以便提供对各种概念的透彻理解。然而，对于本领域技术人员将显而易见的是，没有这些具体细节也可实践这些概念。在一些实例中，以框图形式示出众所周知的结构和组件以避免湮没此类概念。基于本教导，本领域技术人员应领会，本公开的范围旨在覆盖本公开的任何方面，不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可以使用所阐述的任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为所阐述的本公开的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解，所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。措辞“示例性”在本文中用于表示“用作示例、实例、或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。尽管本文描述了特定方面，但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点，但本公开的范围并非旨在被限定于特定益处、用途或目标。相反，本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协议，其中一些作为示例在附图以及以下对优选方面的描述中解说。详细描述和附图仅仅解说本公开而非限定本公开，本公开的范围由所附权利要求及其等效技术方案来定义。本公开的各方面涉及用于协作式摄影的系统和方法，并且尤其涉及用于自动地捕捉照片的触发。附加地，可任选的方面涉及在无线网络(包括基于订阅的网络)上管理所捕捉的图片和图像文件。所获取的图像/照片基于通用排名、用户定义的排名准则、和其他准则来在网络上被排名。高排名的照片被分发给用户设备(例如，移动设备)，并且在每个用户设备处发生副排名。副排名由用户准则来确定。图1解说了根据本公开的某些方面的使用片上系统(SOC)100的前述协作式摄影系统和/或多媒体管理系统的示例实现100，该SOC100可包括通用处理器(CPU)或多核通用处理器(CPU)102。变量(例如，神经信号和突触权重)、与计算设备相关联的系统参数(例如，带有权重的神经网络)、延迟、频率槽信息、以及任务信息可被存储在与神经处理单元(NPU)108相关联的存储器块、与CPU102相关联的存储器块、与图形处理单元(GPU)104相关联的存储器块、与数字信号处理器(DSP)106相关联的存储器块、专用存储器块118中，或可跨多个块分布。在通用处理器102处执行的指令可从与CPU102相关联的程序存储器加载或可从专用存储器块118加载。SOC100还可包括为具体功能定制的附加处理块(诸如GPU104、DSP106、连通性块110(其可包括第四代长期演进(4GLTE)连通性、无执照Wi-Fi连通性、USB连通性、蓝牙连通性等))以及例如可检测和识别姿势的多媒体处理器112。在一种实现中，NPU实现在CPU、DSP、和/或GPU中。SOC100还可包括传感器处理器114、图像信号处理器(ISP)、和/或导航120(其可包括全球定位系统)。SOC可基于ARM指令集。在本公开的一方面，加载到通用处理器102中的指令可包括用于对从无线网络中的多个用户收集到的照片进行排名的代码。这些指令还可包括用于基于第二本文档来自技高网...

【技术保护点】
一种协作式摄影的方法，包括：至少部分地基于来自至少一个其他图像捕捉设备的消息来触发第一图像捕捉设备获取图像。

【技术特征摘要】
【国外来华专利技术】2015.09.17 US 14/857,6301.一种协作式摄影的方法，包括：至少部分地基于来自至少一个其他图像捕捉设备的消息来触发第一图像捕捉设备获取图像。2.如权利要求1所述的方法，其特征在于，所述消息至少部分地基于特定运动序列、场景内的实体的身份、位置数据、行为模式、合成、和/或时间数据来导出。3.如权利要求1所述的方法，其特征在于，所述消息至少部分地基于对特定运动序列、场景内的实体的身份、位置数据、行为模式、合成、和/或时间数据的预测来导出。4.如权利要求1所述的方法，其特征在于，所述消息包括相机设置、方向指令、以及对要捕捉的场景的描述中的至少一者。5.如权利要求1所述的方法，其特征在于，所述第一图像捕捉设备包括解析所述消息的模块。6.如权利要求1所述的方法，其特征在于，所述触发进一步至少部分地基于深度神经网络的输出。7.一种用于协作式摄影的装备，包括：用于至少部分地基于来自至少一个其他图像捕捉设备的消息来触发第一图像捕捉设备获取图像的装置；以及用于获取所述图像的装置。8.如权利要求7所述的装备，其特征在于，所述消息至少部分地基于特定运动序列、场景内的实体的身份、位置数据、行为模式、合成、和/或时间数据来导出。9.如权利要求7所述的装备，其特征在于，所述消息至少部分地基于对特定运动序列、场景内的实体的身份、位置数据、行为模式、合成、和/或时间数据的预测来导出。10.如权利要求7所述的装备，其特征在于，所述消息包括相机设置、方向指令、以及对要捕捉的场景的描述中的至少一者。11.如权利要求7所述的装备，其特征在于，所述第一图像捕捉设备包括解析所述消息的模块。12.如权利要求7所述的装备，其特征在于，所述用于触发的装置进一步至少部分地基于深度神经网络的输出。13.一种用于协作式摄影的装置，包括：存储器；以及耦合到所述存储器的至少一个处理器，所述至少...

【专利技术属性】
技术研发人员：S·马宗达，R·B·托瓦，M·A·刘易斯，
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