feature learning model and a locati

feature learning model and a location estimation function.
Secondly, the location and the orientation together can be
sent to the retailer server, so as to rank the possible retailers
according to the mall layout. We developed a retailer ranking
algorithm, based on the overlap degree between the phone’s
angle of view and the retailers in the view. Once the
retailers are ranked, their corresponding reviews can be
queried through the augmented reality engine. The retailer
reviews are crawled periodically by the iterative learning
to query model and saved into the retailer DB. Finally, for
smooth content display in augmented reality, the client app
keeps detecting changes w.r.t. the phone location and its
orientation. If there is any change, then augmented reality
engine will be called to update the localization and retailer
ranking results for display.
We deployed IntelligShop in a real mall of Singapore (see
our demo listed in Footnote 1). Take the first floor as an
example. The public space outside the retailers is 45×36 m2.
It has totally six retailers, and it is equipped with WiFi. For
localization, we sampled 16 locations and used a Samsung
S3 phone to collect data. The localization model was built
and tested with a Samsung S4 phone. As we show in the
demo, we can improve the localization accuracy9 by 34%
given this device heterogeneity.
It is worth noting that, before enabling the IntelligShop
app in a mall, we need to survey the mall. This survey
consists of: i) collecting WiFi signal data and the mall’s
floor plan to build the indoor localization model; ii) gathering
retailer names (and their branch names if any, for
disambiguation) to crawl the reviews. Such surveying can
be eased with the mall layout and tenant information, which
is provided by the mall owner or obtained from the publicly
available online sources.

ผลลัพธ์ (ไทย) 1:

คุณลักษณะการเรียนรู้รูปแบบและฟังก์ชันการประเมินสถานประการที่สอง ที่ตั้งและทิศทางร่วมกันได้อย่างส่งไปยังเซิร์ฟเวอร์การค้าปลีก เพื่อจัดอันดับร้านค้าปลีกได้ตามแบบห้างสรรพสินค้า เราพัฒนาร้านค้าปลีกอันดับอัลกอริทึม อิงระดับทับซ้อนระหว่างโทรศัพท์กับมุมมองและร้านค้าปลีกในมุมมอง ครั้งร้านค้าปลีกเป็นอันดับ ของพวกเขาความคิดเห็นสอดคล้องกันได้สอบถามผ่านระบบความเป็นจริง ผู้ค้าปลีกความคิดเห็นที่ตระเวนเป็นระยะ ๆ โดยการเรียนรู้ซ้ำการสอบถามแบบ และบันทึกไว้เป็นตัวแทนจำหน่าย DB ในที่สุด สำหรับแสดงผลเนื้อหาเรียบในความเป็นจริง แอไคลเอ็นต์ช่วยตรวจจับการเปลี่ยนแปลงน้อย ๆ wrt ตำแหน่งโทรศัพท์และการวางแนว ถ้ามีการเปลี่ยนแปลงใด ๆ แล้วภาพจำลองเสมือนจริงเครื่องยนต์จะถูกเรียกว่าการปรับปรุงแปลและจำหน่ายผลการจัดอันดับสำหรับการแสดงผลเราใช้ IntelligShop จริงห้างของสิงคโปร์ (ดูเราสาธิตอยู่ในเชิงอรรถที่ 1) ใช้ชั้นเป็นการตัวอย่าง พื้นที่สาธารณะนอกร้านค้าปลีกที่มี 45 × 36 m2มีทั้งหมด 6 ร้านค้าปลีก และมี WiFi สำหรับแปล เราตั้ง 16 ตัวอย่าง และใช้ซัมซุงโทรศัพท์ S3 เพื่อเก็บรวบรวมข้อมูล สร้างแบบแปลและทดสอบกับโทรศัพท์ Samsung S4 เราแสดงในการสาธิต เราสามารถเพิ่ม accuracy9 แปลได้ 34%heterogeneity อุปกรณ์นี้ได้มันเป็นมูลค่า noting ที่ ก่อนเปิดใช้งาน IntelligShopแอในห้างสรรพสินค้า เราต้องสำรวจห้างสรรพสินค้า แบบสำรวจนี้ประกอบด้วย: ฉัน) เก็บรวบรวมข้อมูลสัญญาณ WiFi และเดอะมอลล์แผนผังการสร้างแบบในร่มแปล ii) รวบรวมชื่อร้านค้า (และชื่อสาขาถ้ามี สำหรับภาพยนตร์) รวบรวมข้อมูลความคิดเห็น สามารถสำรวจดังกล่าวผ่อนคลายลงมอลล์ที่และรูปแบบข้อมูล ซึ่งโดยเจ้าของห้าง หรือได้จากสาธารณะมีออนไลน์กัน

ผลลัพธ์ (ไทย) 2:

รูปแบบการเรียนรู้คุณสมบัติและฟังก์ชั่นการประมาณค่าสถานที่.
ประการที่สองสถานที่และการวางแนวด้วยกันที่สามารถ
ส่งไปยังเซิร์ฟเวอร์ร้านค้าปลีกเพื่อให้เป็นในการจัดอันดับร้านค้าปลีกที่เป็นไป
ตามรูปแบบห้างสรรพสินค้า เราพัฒนาการจัดอันดับร้านค้าปลีก
ขั้นตอนวิธีบนพื้นฐานของการศึกษาระดับปริญญาทับซ้อนระหว่างโทรศัพท์ของ
มุมมองและร้านค้าปลีกในมุมมองที่ เมื่อ
ร้านค้าปลีกที่มีการจัดอันดับ, ความคิดเห็นที่สอดคล้องกันของพวกเขาสามารถ
สอบถามผ่านเครื่องมือเติมความเป็นจริง ร้านค้าปลีก
ความคิดเห็นมีการรวบรวมข้อมูลเป็นระยะ ๆ โดยการเรียนรู้ซ้ำ
เพื่อสอบถามรูปแบบและบันทึกลงในฐานข้อมูลร้านค้าปลีก สุดท้ายสำหรับ
การแสดงผลเนื้อหาได้อย่างราบรื่นในความเป็นจริง Augmented, app ลูกค้า
ช่วยให้การตรวจสอบการเปลี่ยนแปลง wrt ตั้งโทรศัพท์และ
ปฐมนิเทศ หากมีการเปลี่ยนแปลงใด ๆ ในความเป็นจริงแล้วเติม
เครื่องยนต์จะถูกเรียกว่าการปรับปรุงแปลและร้านค้าปลีก
ผลการจัดอันดับสำหรับการแสดงผล.
เรานำไปใช้ IntelligShop ในห้างสรรพสินค้าที่แท้จริงของสิงคโปร์ (ดู
การสาธิตของเราระบุไว้ในเชิงอรรถ 1) ใช้เวลาในชั้นแรกเป็น
ตัวอย่าง พื้นที่สาธารณะนอกร้านค้าปลีก 45 × 36 m2.
มีทั้งหมดหกร้านค้าปลีกและมันเป็นอุปกรณ์ที่มีอินเตอร์เน็ตไร้สาย สำหรับ
การแปลเราตัวอย่าง 16 สถานที่และใช้ซัมซุง
โทรศัพท์ S3 ในการเก็บรวบรวมข้อมูล รูปแบบการแปลถูกสร้างขึ้น
และผ่านการทดสอบกับโทรศัพท์ซัมซุง S4 ในฐานะที่เราแสดงให้เห็นใน
การสาธิตเราสามารถปรับปรุง accuracy9 แปลโดย 34%
ได้รับความหลากหลายอุปกรณ์นี้.
มันเป็นที่น่าสังเกตว่าก่อนที่จะเปิดใช้งาน IntelligShop
App ในห้างสรรพสินค้าที่เราจำเป็นต้องสำรวจห้างสรรพสินค้า การสำรวจครั้งนี้
ประกอบด้วย i) การเก็บรวบรวมข้อมูลสัญญาณ WiFi และห้างสรรพสินค้า
ชั้นแผนในการสร้างรูปแบบการแปลในร่ม; ii) การรวบรวม
รายชื่อร้านค้าปลีก (และชื่อสาขาของพวกเขาหากใด ๆ สำหรับการ
แก้ความกำกวม) เพื่อรวบรวมข้อมูลความคิดเห็น การสำรวจดังกล่าวสามารถ
ได้รับการปลดเปลื้องกับรูปแบบห้างสรรพสินค้าและข้อมูลผู้เช่าซึ่ง
ให้บริการโดยเจ้าของห้างสรรพสินค้าหรือที่ได้รับจากสาธารณชน
แหล่งข้อมูลออนไลน์ที่มีอยู่

ผลลัพธ์ (ไทย) 3:

คุณลักษณะการเรียนรู้รูปแบบและสถานที่การประมาณค่าฟังก์ชันประการที่สอง ตำแหน่งและทิศทางด้วยกัน สามารถส่ง ปลีก เซิร์ฟเวอร์ เพื่อจัดอันดับร้านค้าปลีกที่เป็นไปได้ตามห้าง เค้าโครง เราพัฒนาค้าปลีกอันดับขั้นตอนวิธีขึ้นอยู่กับซ้อนขึ้นไประหว่างโทรศัพท์มุมของมุมมองและร้านค้าปลีกในมุมมอง เมื่อร้านค้าปลีกมีการจัดอันดับคิดเห็นที่สอดคล้องกันของพวกเขาสามารถสอบถามผ่านทางความเป็นจริงเติมเครื่องยนต์ ร้านค้าปลีกบทวิจารณ์โดยการเรียนรู้วิธีการคลานเป็นระยะ ๆเพื่อค้นหารูปแบบและบันทึกไว้ในร้านค้าปลีก dB สุดท้ายแสดงเนื้อหาเรียบในความเป็นจริง Augmented , app ที่ลูกค้าคอยตรวจจับการเปลี่ยนแปลง w.r.t. โทรศัพท์สถานที่และของการปฐมนิเทศ หากมีการเปลี่ยนแปลงใด ๆแล้วความเป็นจริง Augmented ,เครื่องยนต์จะถูกเรียกเพื่อปรับปรุงภาษาและผู้ค้าปลีกการจัดอันดับเพื่อแสดงผลเราใช้ intelligshop ในห้างจริงของสิงคโปร์ ( ดูการสาธิตของเราที่ระบุไว้ในหมายเหตุ 1 ) เอาชั้นหนึ่งเป็นตัวอย่าง ประชาชนพื้นที่นอกร้านค้าปลีก 45 × 36 m2มันมีทั้งหมด 6 บริษัท และมันเป็นอุปกรณ์ที่มี WiFi สำหรับจำกัดเราเก็บตัวอย่างสถานที่ 16 และใช้ซัมซุงS3 มือถือเก็บรวบรวมข้อมูล แปลแบบถูกสร้างขึ้นและทดสอบกับ Samsung S4 โทรศัพท์ ในฐานะที่เราแสดงในสาธิต เราสามารถปรับปรุงการแปล accuracy9 โดย 34%ให้อุปกรณ์นี้สามารถ .เป็นมูลค่า noting ว่าก่อนเปิด intelligshopApp ในห้าง เราต้องสำรวจห้าง การสำรวจนี้ประกอบด้วย 1 ) การรวบรวมข้อมูลและสัญญาณ WiFi ของมอลล์ชั้นวางแผนที่จะสร้างรูปแบบการแปลในร่ม ; 2 ) การชุมนุมชื่อ ( ชื่อสาขาและร้านค้าปลีกของพวกเขา ถ้าใด ๆ สำหรับแก้ความกำกวม ) เพื่อรวบรวมข้อมูลความคิดเห็น การสำรวจดังกล่าวสามารถจะบรรเทากับเดอะมอลล์ เค้าโครง และผู้เช่าข้อมูล ที่ให้บริการโดยเจ้าของห้าง หรือได้รับจากสาธารณะแหล่งข้อมูลออนไลน์ที่มีอยู่