场景识别方法、装置、设备、介质及程序产品与流程

摘要: 本公开涉及场景识别领域,具体涉及一种场景识别方法、装置、设备、介质及程序产品。背景技术:1、近年来,随着场景识别技术的快速发展和电子设备的不断迭代,电子设备的使...
场景识别方法、装置、设备、介质及程序产品与流程

本公开涉及场景识别领域,具体涉及一种场景识别方法、装置、设备、介质及程序产品。

背景技术:

1、近年来,随着场景识别技术的快速发展和电子设备的不断迭代,电子设备的使用场景识别技术已逐渐成为优化使用体验的关键手段。通过识别电子设备的当前使用场景,能够为电子设备控制策略或运行模式的调整提供依据。

技术实现思路

1、为克服相关技术中存在的问题,本公开提供了一种场景识别方法、装置、设备、介质及程序产品。

2、根据本公开实施例的第一方面,提供了一种场景识别方法,所述场景识别方法包括:

3、获取传感器数据,所述传感器数据包括运动数据和/或位姿数据;

4、基于所述传感器数据,确定场景信息,所述场景信息用于表征电子设备的当前使用场景,所述当前使用场景中包括用户与电子设备的交互场景类型。

5、本实施例中,通过获取传感器数据,并根据传感器数据确定场景信息,实现了对电子设备当前使用场景的自动识别,便于根据场景信息调整电子设备的控制策略或运行模式,使得控制策略或运行模式能够与当前使用场景相匹配。将包括运动数据和位姿数据中的至少一者的传感器数据作为确定场景信息的依据,降低了场景识别的功耗和成本,提升了识别结果的准确性。识别到当前使用场景中包括用户与电子设备的交互场景类型,扩展了可识别场景的多样性和复杂性,有利于提供更加个性化的优化服务,提升了用户体验。

6、本公开的一些实施例中,所述获取传感器数据,包括:

7、按照预设时间间隔,周期性地获取预设时间范围内多个数据获取时刻的所述传感器数据。

8、本实施例中,按照预设时间间隔,周期性地获取预设时间范围内多个数据获取时刻的传感器数据,实现了传感器数据的切分和提取,便于分别对各预设时间范围内的传感器数据进行数据处理,能够根据每一个预设时间范围内的传感器数据确定一次场景信息,以实时、持续地确定场景信息,以便于根据多次场景信息对当前使用场景进行核验,提升了场景识别的时效性和准确性。

9、本公开的一些实施例中,各所述数据获取时刻均对应多种所述传感器数据,每一种所述传感器数据均包括至少一个传感器数值;

10、在所述基于所述传感器数据,确定场景信息前,所述场景识别方法还包括:

11、对于各所述预设时间范围,针对该预设时间范围内的每一种所述传感器数据的各所述传感器数值分别进行归一化处理,得到经过所述归一化处理后的所述传感器数据。

12、本实施例中,各数据获取时刻均对应多种传感器数据,每一种传感器数据均包括至少一个传感器数值,使得各数据获取时刻均对应种类和数量充足的传感器数据,有利于提升基于传感器数据确定的场景信息的准确性。在根据传感器数据确定场景信息之前,对于各预设时间范围,针对该预设时间范围内的每一种传感器数据的各传感器数值分别进行归一化处理,得到经过归一化处理后的传感器数据,使得经过归一化处理后的传感器数据具有统一的量纲和尺度,缩小了传感器数据之间的差异,有利于对传感器数据进行分析并减少计算量。

13、本公开的一些实施例中,所述基于所述传感器数据,确定场景信息,包括:

14、将所述传感器数据输入至预训练的特征提取网络模型,得到具有预设特征维度的特征数据;

15、将所述特征数据输入至预训练的场景识别网络模型,得到各使用场景对应的概率值;

16、基于各使用场景对应的所述概率值,确定所述场景信息。

17、本实施例中,通过将传感器数据输入至预训练的特征提取网络模型,得到具有预设特征维度的特征数据,并将特征数据输入至预训练的场景识别网络模型,得到各使用场景对应的概率值,再根据各使用场景对应的概率值,确定场景信息,实现了对电子设备当前使用场景的识别。分别通过预训练的特征提取网络模型和场景识别网络模型进行特征提取和场景识别,能够准确的捕捉传感器数据中信息并得到多个数据获取时刻对应的传感器数据之间的依赖关系,保证了确定场景信息的效率和准确性,扩展了可识别场景的多样性和复杂性,有利于提供更加个性化的优化服务,提升了用户体验。

18、本公开的一些实施例中,所述特征提取网络模型包括:

19、多个卷积层,各所述卷积层的通道数量与该卷积层的排序正相关;

20、多个池化层,所述池化层与所述卷积层一一对应设置,所述池化层的输入端与所述卷积层的输出端相连;

21、随机丢弃层,所述随机丢弃层的输入端与最后一个所述池化层的输出端相连;

22、全连接层,所述全连接层的输入端与所述随机丢弃层的输出端相连。

23、本实施例中,通过多个卷积层、多个池化层、随机丢弃层和全连接层组成了特征提取网络模型,能够利用各层的协同工作使得特征提取网络模型能够实现对传感器数据的特征提取,以捕捉传感器数据中具有代表性且能够反映传感器数据本质的信息,通过输出的特征数据反映多个数据获取时刻对应的传感器数据之间的时序关系,并保持良好的泛化性能和鲁棒性,有利于提升确定场景信息的效率和准确性。

24、本公开的一些实施例中,所述特征数据包括与所述传感器数据的各数据获取时刻对应的数据特征,所述预设特征维度小于各数据获取时刻对应的传感器数值的数量。

25、本实施例中,特征数据包括与传感器数据的各数据获取时刻对应的数据特征,将预设特征维度配置为小于各数据获取时刻对应的传感器数值的数量,能够通过特征提取网络模型实现对传感器数据的降维特征提取,有利于增强特征提取网络模型的性能和泛化能力,并优化数据特征的特征选择。

26、本公开的一些实施例中,所述特征提取网络模型包括时序卷积网络模型。

27、本实施例中,将时序卷积网络模型作为特征提取网络模型,能够通过时序卷积网络模型实现对传感器数据的特征提取和特征数据的生成,具有计算能力强、内存消耗低、鲁棒性强等特点,并且能够利用时序卷积网络因果卷积和扩张卷积保证特征数据的精确度,有利于提升场景识别的效率和准确性。

28、本公开的一些实施例中,所述场景识别网络模型包括:

29、多个长短期记忆单元,各所述长短期记忆单元用于处理所述特征数据的依赖关系;

30、注意力层,所述注意力层的输入端与所述长短期记忆单元的输出端相连,所述注意力层用于将所述长短期记忆单元输出的特征数据转换为特征向量;

31、全连接层,所述全连接层与所述注意力层相连,所述全连接层用于将所述特征向量转换为各所述使用场景对应的所述概率值。

32、本实施例中,通过多个长短期记忆单元、注意力层和全连接层组成了场景识别网络模型,能够利用各单元和各层的协同工作使得场景识别网络模型能够实现对特征数据的处理和分析,以根据特征数据确定各使用场景对应的概率值,为当前使用场景的确定提供了依据,并保持良好的梯度稳定性和鲁棒性,有利于提升确定场景信息的效率和准确性。

33、本公开的一些实施例中,所述基于各使用场景对应的所述概率值,确定所述场景信息,包括:

34、将所述概率值最高的使用场景确定为所述当前使用场景;或者,

35、将所述场景识别网络模型连续多次输出的结果中,对应所述概率值之和最高的使用场景确定为所述当前使用场景。

36、本实施中,将概率值最高的使用场景确定为当前使用场景,或者将场景识别网络模型连续多次输出的结果中,对应概率值之和最高的使用场景确定为当前使用场景,实现了场景信息的确定,使得场景信息表征的当前使用场景为各使用场景中与传感器数据最为匹配的使用场景,能够保证场景信息的时效性或进一步提升场景信息的准确性。

37、本公开的一些实施例中,所述场景识别方法还包括:

38、基于所述场景信息,控制所述电子设备的通信模式或误触防护模式。

39、本实施例中,根据场景信息,控制电子设备的通信模式或误触防护模式,实现了控制策略或运行模式的自动调整,使得电子设备能够具有与当前使用场景最匹配的通信模式或误触防护模式,为用户提供了个性化的优化服务,提升了用户体验。

40、本公开的一些实施例中,所述场景识别方法还包括:

41、基于连续的多个所述场景信息,确定所述当前使用场景的置信度。

42、本实施例中,根据连续的多个场景信息,确定当前使用场景的置信度,能够通过置信度反映当前使用场景的准确程度,从而能够根据置信度判断当前使用场景是否可以作为调整控制策略或运行模式的参考依据,便于确定场景信息的实用性,避免产生误判而为电子设备带来负向收益,提升了用户体验。

43、本公开的一些实施例中,所述传感器数据包括加速度传感器数据、陀螺仪数据和方位传感器数据中的至少一种。

44、本实施例中,将加速度传感器数据、陀螺仪数据和方位传感器数据中的至少一种作为确定场景信息需要的传感器数据,能够从运动状态、运动趋势、位置和姿态的维度识别电子设备的当前使用场景,便于识别复杂和多样的使用场景,提升了识别结果的准确性,有利于提供更加个性化的优化服务,提升了用户体验。

45、本公开的一些实施例中,所述当前使用场景中还包括运动类型。

46、本实施例中,当前使用场景中还包括运动类型,能够利用运动类型更加细致的划分和描述电子设备的当前使用场景,扩展了可识别场景的多样性和复杂性,有利于提供更加个性化的优化服务,提升了用户体验。

47、根据本公开实施例的第二方面,提供了一种场景识别装置,所述场景识别装置包括:

48、获取模块,所述获取模块用于获取传感器数据,所述传感器数据包括运动数据和/或位姿数据;

49、确定模块,所述确定模块用于基于所述传感器数据,确定场景信息,所述场景信息用于表征电子设备的当前使用场景,所述当前使用场景中包括用户与电子设备的交互场景类型。

50、本实施例中,通过获取模块获取传感器数据,并通过确定模块根据传感器数据确定场景信息,实现了对电子设备当前使用场景的自动识别,便于根据场景信息调整电子设备的控制策略或运行模式,使得控制策略或运行模式能够与当前使用场景相匹配。将包括运动数据和位姿数据中的至少一者的传感器数据作为确定场景信息的依据,降低了场景识别的功耗和成本,提升了识别结果的准确性。识别到当前使用场景中包括用户与电子设备的交互场景类型,扩展了可识别场景的多样性和复杂性,有利于提供更加个性化的优化服务,提升了用户体验。

51、本公开的一些实施例中,所述获取模块还用于:按照预设时间间隔,周期性地获取预设时间范围内多个数据获取时刻的所述传感器数据。

52、本实施例中,通过获取模块按照预设时间间隔,周期性地获取预设时间范围内多个数据获取时刻的传感器数据,实现了传感器数据的切分和提取,便于分别对各预设时间范围内的传感器数据进行数据处理,能够根据每一个预设时间范围内的传感器数据确定一次场景信息,以实时、持续地确定场景信息,以便于根据多次场景信息对当前使用场景进行核验,提升了场景识别的时效性和准确性。

53、本公开的一些实施例中,所述确定模块还用于:将所述传感器数据输入至预训练的特征提取网络模型,得到具有预设特征维度的特征数据;将所述特征数据输入至预训练的场景识别网络模型,得到各使用场景对应的概率值;基于各使用场景对应的所述概率值,确定所述场景信息。

54、本实施例中,通过确定模块将传感器数据输入至预训练的特征提取网络模型,得到具有预设特征维度的特征数据,并将特征数据输入至预训练的场景识别网络模型,得到各使用场景对应的概率值,再根据各使用场景对应的概率值,确定场景信息,实现了对电子设备当前使用场景的识别。分别通过预训练的特征提取网络模型和场景识别网络模型进行特征提取和场景识别,能够准确的捕捉传感器数据中信息并得到多个数据获取时刻对应的传感器数据之间的依赖关系,保证了确定场景信息的效率和准确性,扩展了可识别场景的多样性和复杂性,有利于提供更加个性化的优化服务,提升了用户体验。

55、根据本公开实施例的第三方面,提供了一种电子设备,所述电子设备包括:

56、处理器;

57、用于存储处理器可执行指令的存储器;

58、其中,所述处理器被配置为执行如第一方面所述的场景识别方法。

59、根据本公开实施例的第四方面,提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如第一方面所述的场景识别方法。

60、根据本公开实施例的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的场景识别方法。

61、本公开的实施例提供的技术方案可以包括以下有益效果:将包括运动数据和位姿数据中的至少一者的传感器数据作为确定场景信息的依据,降低了场景识别的功耗和成本,提升了识别结果的准确性。识别到当前使用场景中包括用户与电子设备的交互场景类型,扩展了可识别场景的多样性和复杂性,有利于提供更加个性化的优化服务,提升了用户体验。

62、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。