[發明專利]在無線網絡中管理眾包攝影

在審

• 申請號: 201680053677.9
• 申請日: 2016-08-02
• 公開（公告）號: CN108028890A
• 公開（公告）日: 2018-05-11
• 發明（設計）人: S·馬宗達;R·B·托瓦;M·A·劉易斯
• 申請（專利權）人: 高通股份有限公司
• 主分類號: H04N5/232
• 分類號: H04N5/232;H04N1/00;H04N1/32
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 唐杰敏;陳煒

智能相機網絡在無線網絡上協作地獲取圖像。該網絡基于觸發來自動地捕捉圖像。該觸發可包括來自其他圖像捕捉設備的消息。基于來自至少一個其他圖像捕捉設備的消息，第一圖像捕捉設備被觸發以獲取圖像。

背景

領域

本公開的某些方面一般涉及機器學習，尤其涉及在無線網絡上管理多媒體的系統和方法，包括經由協作式攝影機制來自動地捕捉圖像。

背景

可包括一群互連的人工神經元(例如，神經元模型)的人工神經網絡是一種計算設備或者表示將由計算設備執行的方法。

卷積神經網絡是一種前饋人工神經網絡。卷積神經網絡可包括神經元集合，其中每一個神經元具有感受野并且共同地拼出一輸入空間。卷積神經網絡(CNN)具有眾多應用。具體而言，CNN已被廣泛使用于模式識別和分類領域。

深度學習架構(諸如深度置信網絡和深度卷積網絡)是分層神經網絡架構，其中第一層神經元的輸出變成第二層神經元的輸入，第二層神經元的輸出變成第三層神經元的輸入，依此類推。深度神經網絡可被訓練以識別特征階層并且因此它們已被越來越多地用于對象識別應用。類似于卷積神經網絡，這些深度學習架構中的計算可分布在處理節點群體上，其可被配置在一個或多個計算鏈中。這些多層架構可每次訓練一層并可使用反向傳播微調。

其他模型也可用于對象識別。例如，支持向量機(SVM)是可被應用于分類的學習工具。支持向量機包括對數據進行歸類的分離超平面(例如，決策邊界)。該超平面由監督式學習來定義。期望的超平面增加訓練數據的裕量。換言之，超平面應該具有到訓練示例的最大的最小距離。

盡管這些解決方案在數個分類基準上達到了優異的結果，但它們的計算復雜度可能極其高。另外，模型的訓練可能是有挑戰性的。

概述

在一個方面，公開了一種協作式攝影的方法。該方法包括至少部分地基于來自至少一個其他圖像捕捉設備的消息來觸發第一圖像捕捉設備獲取圖像。

另一方面公開了一種用于協作式攝影的裝備，該裝備包括用于至少部分地基于來自至少一個其他圖像捕捉設備的消息來觸發第一圖像捕捉設備獲取圖像的裝置。該裝備還包括用于獲取圖像的裝置。

另一方面公開了具有存儲器以及耦合至所述存儲器的至少一個處理器的無線通信。(諸)處理器被配置成：至少部分地基于來自至少一個其他圖像捕捉設備的消息來觸發第一圖像捕捉設備獲取圖像。

另一方面公開了一種用于協作式攝影的非瞬態計算機可讀存儲介質。該計算機可讀介質上記錄有非瞬態程序代碼，該程序代碼在由(諸)處理器執行時使得該(諸)處理器執行如下操作：至少部分地基于來自至少一個其他圖像捕捉設備的消息來觸發第一圖像捕捉設備獲取圖像。

本公開的附加特征和優點將在下文描述。本領域技術人員應當領會，本公開可容易地被用作修改或設計用于實施與本公開相同的目的的其他結構的基礎。本領域技術人員還應認識到，這樣的等效構造并不脫離所附權利要求中所闡述的本公開的教導。被認為是本公開的特性的新穎特征在其組織和操作方法兩方面連同進一步的目的和優點在結合附圖來考慮以下描述時將被更好地理解。然而，要清楚理解的是，提供每一幅附圖均僅用于解說和描述目的，且無意作為對本公開的限定的定義。

附圖簡述

在結合附圖理解下面闡述的詳細描述時，本公開的特征、本質和優點將變得更加明顯，在附圖中，相同附圖標記始終作相應標識。

圖1解說了根據本公開的某些方面的使用片上系統(SOC)(包括通用處理器)來設計神經網絡的示例實現。

圖2解說了根據本公開的各方面的系統的示例實現。

圖3A是解說根據本公開的各方面的神經網絡的示圖。

圖3B是解說根據本公開的各方面的示例性深度卷積網絡(DCN)的框圖。