We discuss the limitations of the p

We discuss the limitations of the proposed system, along with future research directions. We also highlight a number of areas that require further investigation. Privacy. Although our data collector enables the deletion of collected data, uploading raw images into the server has privacy concerns in practice. Here, one possible solution is to process the classifiers locally in smartphones. For example, instead of uploading raw data, smartphone extracts OCR words, GIST, or SIFT features and uploads these features to server in an unordered manner. To realize this local processing technique, we need an efficient classifier with low complexity and also a job scheduler that would execute classifying/uploading operations when the device is relatively under usage (e.g., night time with battery charging). Meanwhile, one thing we counter-intuitively found in our study is that, many participants are willing to share pictures publically with others. In fact, social network users are already sharing many images, when interacting with others. Therefore, we believe that local data processing may accelerate the active and voluntary participation of end users in crowdsensing framework. Incremental Learning. The proposed system required an non-trivial amount time of data processing in our server (several hours of processing in Intel i7 CPU 860 server with 8GB RAM). The major workload in the server is to process the learning components (i.e., feature extraction and clustering). Considering that we, in our work, used data collected in only one city and the amount of data is rapidly increasing with a widespread use of smartphones and SNS, the data processing issue is practically a big challenge in crowdsensing framework. We believe that an incremental learning scheme would be necessary to handle a large volume of data efficiently in real life. User Participation. The proposed system requires knowledge from crowdsourcing to infer the place name. Our work expands the coverage problem on place naming by applying the SNS knowledge to information collected with the crowdsensing approach. However, the system is not able to learn additional names that are not in SNS. To solve this limitation, the system should somehow support generating new names, or at least provide a method to encourage users to put their knowledge back into SNS. Generating new names is beyond the scope of our research. We, instead, plan to investigate a reward system to induce active user participation in crowdsensing approach. Considering that SNS is missing about 22% of the places visited in daily life (see Section 2.1), an appropriate rewarding mechanism would greatly improve the coverage of place naming.

ผลลัพธ์ (ไทย) 2:

เราจะหารือถึงข้อ จำกัด ของระบบที่นำเสนอพร้อมกับทิศทางการวิจัยในอนาคต นอกจากนี้เรายังเน้นจำนวนของพื้นที่ที่ต้องมีการตรวจสอบต่อไป ความเป็นส่วนตัว แม้ว่าจะเก็บข้อมูลของเราช่วยให้การลบข้อมูลที่เก็บรวบรวม, อัปโหลดภาพดิบให้เป็นเซิร์ฟเวอร์ที่มีความเป็นส่วนตัวในการปฏิบัติ นี่คือวิธีการแก้ปัญหาที่เป็นไปได้คือการดำเนินการจัดประเภท ERS Fi ในประเทศในมาร์ทโฟน ตัวอย่างเช่นแทนที่จะของการอัพโหลดข้อมูลดิบมาร์ทโฟนสารสกัดจากคำ OCR, จีหรือ SIFT คุณสมบัติและคุณลักษณะเหล่านี้อัปโหลดไปยังเซิร์ฟเวอร์ในลักษณะที่ไม่เรียงลำดับ ที่จะตระหนักถึงเทคนิคการประมวลผลในท้องถิ่นนี้เราต้องเป็น e FFI ประสิทธิภาพจัดประเภท ER Fi กับความซับซ้อนในระดับต่ำและยังมีกำหนดการงานที่จะดำเนินการแบ่งประเภท / อัปโหลดการดำเนินงานเมื่ออุปกรณ์ที่ค่อนข้างภายใต้การใช้งาน (เช่นเวลากลางคืนด้วยการชาร์จแบตเตอรี่) ในขณะเดียวกันสิ่งหนึ่งที่เรา Counter-สังหรณ์ใจที่พบในการศึกษาของเราคือการที่ผู้เข้าร่วมจำนวนมากมีความยินดีที่จะแบ่งปันภาพสาธารณะกับคนอื่น ๆ ในความเป็นจริงผู้ใช้เครือข่ายทางสังคมที่มีอยู่แล้วภาพร่วมกันเป็นจำนวนมากเมื่อมีปฏิสัมพันธ์กับคนอื่น ๆ ดังนั้นเราจึงเชื่อว่าการประมวลผลข้อมูลท้องถิ่นอาจเร่งการมีส่วนร่วมและความสมัครใจของผู้ใช้ในกรอบ crowdsensing การเรียนรู้ที่เพิ่มขึ้น ระบบที่นำเสนอต้องเป็นช่วงเวลาที่ไม่น่ารำคาญปริมาณของการประมวลผลข้อมูลในเซิร์ฟเวอร์ของเรา (หลายชั่วโมงของการประมวลผลใน Intel i7 CPU 860 เซิร์ฟเวอร์กับ 8GB RAM) ภาระงานที่สำคัญในเซิร์ฟเวอร์เป็นส่วนประกอบในการประมวลผลการเรียนรู้ (เช่นการสกัดคุณลักษณะและการจัดกลุ่ม) พิจารณาว่าเราในการทำงานของเราที่ใช้ในการเก็บรวบรวมข้อมูลเพียงคนเดียวในเมืองและจำนวนของข้อมูลที่เพิ่มขึ้นอย่างรวดเร็วที่มีการใช้อย่างแพร่หลายมาร์ทโฟนและ SNS ปัญหาการประมวลผลข้อมูลเป็นจริงความท้าทายใหญ่ใน crowdsensing กรอบ เราเชื่อว่าการเรียนรู้โครงการที่เพิ่มขึ้นจะเป็นสิ่งที่จำเป็นในการจัดการปริมาณข้อมูลขนาดใหญ่ E FFI อย่างมีประสิทธิภาพในชีวิตจริง การมีส่วนร่วมของผู้ใช้ ระบบที่นำเสนอต้องมีความรู้จาก crowdsourcing เพื่อสรุปชื่อสถานที่ การทำงานของเราจะขยายความคุ้มครองปัญหาในการตั้งชื่อสถานที่โดยการประยุกต์ใช้ความรู้ SNS เพื่อเก็บรวบรวมข้อมูลด้วยวิธีการ crowdsensing แต่ระบบไม่สามารถที่จะเรียนรู้ชื่อเพิ่มเติมที่ไม่ได้อยู่ใน SNS เพื่อแก้ปัญหาข้อ จำกัด นี้ระบบใดควรสนับสนุนการสร้างชื่อใหม่หรืออย่างน้อยให้วิธีการในการส่งเสริมให้ผู้ใช้จะนำความรู้ของพวกเขากลับเข้ามาใน SNS สร้างชื่อใหม่อยู่นอกเหนือขอบเขตของการวิจัยของเรา เราแทนวางแผนที่จะตรวจสอบระบบการให้รางวัลเพื่อก่อให้เกิดการมีส่วนร่วมของผู้ใช้ที่ใช้งานอยู่ในแนวทาง crowdsensing พิจารณาว่า SNS จะหายไปประมาณ 22% ของสถานที่เข้าเยี่ยมชมในชีวิตประจำวัน (ดูมาตรา 2.1) ซึ่งเป็นกลไกที่คุ้มค่าที่เหมาะสมจะช่วยเพิ่มความคุ้มครองของการตั้งชื่อสถานที่

ผลลัพธ์ (ไทย) 3:

เราได้กล่าวถึงข้อจำกัดของระบบที่เสนอพร้อมกับทิศทางการวิจัยในอนาคต นอกจากนี้เรายังเน้นจำนวนของพื้นที่ที่ต้องมีการสอบสวนต่อไป ความเป็นส่วนตัว ถึงแม้เก็บข้อมูลของเรา ช่วยลบข้อมูลการอัพโหลดภาพดิบลงในเซิร์ฟเวอร์มีความเป็นส่วนตัวในการปฏิบัติ นี่ โซลูชั่นหนึ่งที่เป็นไปได้ คือการถ่ายทอด classi ERS ท้องถิ่นในมาร์ทโฟน ตัวอย่างเช่นแทนการอัพโหลดข้อมูลมาร์ทโฟน , สารสกัด OCR คำสำคัญ หรือร่อนคุณสมบัติและอัพโหลดไปยังเซิร์ฟเวอร์คุณลักษณะเหล่านี้ในลักษณะที่เรียงลําดับ . ตระหนักถึงนี้ท้องถิ่นเทคนิคการประมวลผล เราต้องมี E ffi cient classi จึงเอ้อที่มีความซับซ้อนต่ำ และงานจัดตารางเวลาที่จะดำเนินการคัดแยก / อัพโหลดงานเมื่ออุปกรณ์ค่อนข้างภายใต้การใช้งาน ( เช่น กลางคืนกับแบตเตอรี่ชาร์จ ) ทั้งนี้ สิ่งหนึ่งที่เราพบเคาน์เตอร์สังหรณ์ใจในการศึกษาของเราที่ผู้เข้าร่วมหลายคนเต็มใจที่จะแบ่งปันภาพ publically กับคนอื่น ๆ ในความเป็นจริงผู้ใช้เครือข่ายทางสังคมมีอยู่ร่วมกันหลายภาพ เมื่อมีปฏิสัมพันธ์กับคนอื่น ๆ ดังนั้น เราเชื่อว่า การประมวลผลข้อมูลท้องถิ่นอาจเร่งการมีส่วนร่วมและความสมัครใจของผู้ใช้ใน crowdsensing กรอบ เพิ่มการเรียนรู้ . ระบบที่เสนอต้องเป็นไม่ใช่ trivial เวลาเงินของการประมวลผลข้อมูลในเซิร์ฟเวอร์ของเรา ( หลายชั่วโมงในการประมวลผล Intel CPU i7 860 เซิร์ฟเวอร์กับ 8GB RAM ) ภาระงานที่สำคัญในเซิร์ฟเวอร์กระบวนการการเรียนรู้ส่วนประกอบ ( เช่น คุณลักษณะการสกัดและการจัดกลุ่ม ) พิจารณาว่า เรา ในงานของเรา ที่ใช้เก็บข้อมูลในเพียงหนึ่งเมือง และปริมาณของข้อมูลจะเพิ่มขึ้นอย่างรวดเร็ว มีการใช้อย่างแพร่หลายของมาร์ทโฟนและ SNS , การประมวลผลข้อมูลปัญหาเป็นจริงความท้าทายใหญ่ใน crowdsensing กรอบ เราเชื่อว่าโครงการเพิ่มการเรียนรู้ก็จำเป็นจะต้องจัดการกับปริมาณมากของข้อมูลและffi ciently ในชีวิตจริง การมีส่วนร่วมของผู้ใช้ ระบบนี้ต้องใช้ความรู้จาก crowdsourcing สรุปว่า ชื่อ สถานที่ งานของเราได้ขยายครอบคลุมทุกปัญหาในการตั้งชื่อโดยการใช้ SNS ความรู้กับข้อมูลที่เก็บรวบรวมด้วย crowdsensing วิธีการสถานที่ อย่างไรก็ตาม ระบบจะไม่สามารถเรียนรู้ชื่อเพิ่มเติมที่ไม่ได้อยู่ในเครือข่ายสังคมออนไลน์ เพื่อแก้ข้อ จำกัด นี้ ระบบจะสร้างชื่อใหม่ใดสนับสนุน หรืออย่างน้อยให้วิธีการเพื่อกระตุ้นให้ผู้ใช้เพื่อให้ความรู้ของพวกเขากลับเข้ามาในเครือข่ายสังคมออนไลน์ สร้างชื่อใหม่อยู่นอกเหนือขอบเขตของการวิจัยของเรา เรากลับวางแผนที่จะตรวจสอบระบบรางวัลเพื่อก่อให้เกิดการมีส่วนร่วมของผู้ใช้ที่ใช้งานอยู่ใน crowdsensing ) พิจารณาว่า SNS หายไปประมาณ 22 % ของสถานที่ที่เข้าเยี่ยมชมในชีวิตประจําวัน ( ดูมาตรา 2.1 ) กลไกที่เหมาะสมคุ้มค่า จะช่วยเพิ่มความครอบคลุมของการตั้งชื่อ