场景分类模型的优化方法及装置与流程

1.本技术涉及人工智能技术领域，具体涉及一种场景分类模型的优化方法及装置。


背景技术：

2.场景的概念更为主观和复杂，随着类数量的增加，类别难免互相重叠，因此这些场景类的标签之间可能存在模糊性。如同样是儿童房间，但是图像内容的视觉表现可能不一致，其中，一个视觉内容是有婴儿床的卧室布置，另一个的视觉内容是房间里有帐篷和很多小孩子。这对于目前神经网络做分类任务来说，很难通过监督学习得到统一的视觉表征向量。


技术实现要素：

3.本技术实施例提供了场景分类模型的优化方法及装置，以期利用混沌矩阵，对场景的类别进行超分类，来克服或者部分克服上述现有技术的不足。
4.第一方面，提供了一种场景分类模型的优化方法，所述方法包括：
5.基于训练好的神经网络场景分类模型对测试数据集进行测试，得到所述测试数据集中各图像的预测类别；
6.根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵；
7.根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。
8.可选的，上述方法还包括：
9.获取公开数据集，所述公开数据集包括训练数据集、测试数据集和验证数据集；
10.基于所述训练数据集对所述神经网络场景分类模型进行训练，以得到训练好的神经网络场景分类模型。
11.可选的，上述方法还包括：
12.将验证数据集作为输入，输入到优化后的神经网络场景分类模型中，以验证优化后的神经网络场景分类模型的预测准确性。
13.可选的，在上述方法中，所述根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵包括：
14.统计所述公开数据集中的所有类别；
15.将各类别或各类别的身份编码分别作为所述混沌矩阵的列向量和行向量，形成一个初始值均为零的初始矩阵；
16.根据所述测试数据集中各图像的真实类别和预测类别，对所述初始矩阵中的值进行更新，得到所述混沌矩阵。
17.可选的，在上述方法中，所述列向量中各类别的顺序与所述行向量中各类别的顺序一致。
18.可选的，在上述方法中，所述根据各图像的真实类别和预测类别，对所述初始矩阵中的值进行更新，得到所述混沌矩阵包括：
19.确定一个图像对应所述初始矩阵中的位置，并将该位置的值加一，以实现对所述初始矩阵的更新；其中，所述位置是该图像的真实类别和预测类别在所述初始矩阵中的交叉位置；
20.将根据所述测试数据集中各图像的真实类别和预测类别，更新完毕后的初始矩阵作为所述混沌矩阵。
21.可选的，在上述方法中，所述根据所述测试数据集中各图像的真实类别和预测类别，对所述初始矩阵中的值进行更新，得到所述混沌矩阵包括：
22.确定一个图像的真实类别和预测类别是否一致，若一致，则确定该图像的预测结果为正确；若不一致，则确定该图像的预测结果为错误；
23.统计所述测试数据集中各类别的预测结果为正确的图像的第一数量，以及各类别的预测结果为错误的图像的第二数量；
24.将所述第一数量和所述第二数量填写到所述初始矩阵中对应的位置上，得到所述混沌矩阵。
25.可选的，在上述方法中，所述根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别包括：
26.对于所述混沌矩阵的一个位置，若其对应的真实类别和预测类别不一致，则判断该位置的值是否大于预设阈值；
27.若大于，则根据该位置对应的真实类别和预测类别的共同特点，生成超类类别。
28.第二方面，提供了一种场景分类模型的优化装置，所述装置包括：
29.预测单元，用于基于训练好的神经网络场景分类模型对测试数据集进行测试，得到所述测试数据集中各图像的预测类别；
30.矩阵转化单元，用于根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵；
31.超类生成单元，用于根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。
32.第三方面，本技术实施例还提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一的方法。
33.第四方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述任一的方法。
34.本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：
35.本技术基于训练好的神经网络场景分类模型对测试数据集进行测试，得到所述测试数据集中各图像的预测类别；根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵；根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。本技术通过采用训练好的神经网络场景分类模型对测试数据集进行测试的结果，将测试结果转化混沌矩阵，并基于混沌矩
阵对神经网络场景分类模型的原始的容易混淆的类别映射到新的超分类，显著提高了场景的分类模型的预测准确度，扩大了神经网络场景分类模型的应用场景。
附图说明
36.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
37.图1示出根据采用现有技术的一个神经网络模型对公开数据库进行预测的预测结果的的精度折线图；
38.图2示出根据本技术的一个实施例的场景分类模型的优化方法的流程示意图；
39.图3示出了礼堂和电影院的场景的图像；
40.图4示出根据本技术的一个实施例的混沌矩阵；
41.图5示出了根据本技术的一个实施例的场景分类模型的优化装置，
42.图6为本技术实施例中一种电子设备的结构示意图。
具体实施方式
43.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
44.以下结合附图，详细说明本技术各实施例提供的技术方案。
45.现有技术中，神经网络模型在对场景进行分类的时候，经常会将两个类似的但属于不同类别的场景混淆，从而使预测结果不准确。如图1所示，图1示出根据采用现有技术的一个神经网络模型对公开数据库进行预测的预测结果的的精度折线图，本技术发明人利用公开数据集(places365)的数据训练了基于卷积神经的场景分类模型，图1中的精度折线图可看到上述的场景模型对不同的类别精度不同，图1中的水平线为365个类别的平均精度，横坐标为类别索引，纵坐标表示分类精度，由图1可知，水平线以下的类别的识别精度偏低。
46.图2示出根据本技术的一个实施例的场景分类模型的优化方法的流程示意图，从图2可以看出，本技术至少包括步骤s210～步骤s230：
47.步骤s210：基于训练好的神经网络场景分类模型对测试数据集进行测试，得到测试数据集中各图像的预测类别。
48.本技术利用的数据为场景公开数据(places365)，场景数据集中共细分了365个类别，每个类中的图片数量不等，将场景公开数据分为训练数据集、测试数据集和校验数据集，每个数据集用于不同的场景，其中，训练数据集用于训练阶段、测试数据集用于对模型的优化阶段，校验数据集用于验证模型的预测准确度。需要说明的是，场景数据集所有图片包含有人工标注的真实标签或类别，且均属于上述365个类别中，在测试阶段，由神经网络场景分类模型给出的图像的分类也属于上述365个类别。
49.需要说明的是，在本技术的叙述中，可能会出现神经网络场景分类模型术语“标签”一词，该词与本技术中的“类别”是等同的，一个标签对应一个类别。
50.在现有技术中，通过分类算法无法对单独的分类达到100％准确，因此存在类别之
间发生误导的情况，如：原本数据集中标注的类别是「公园」，但模型输出的分类结果是「娱乐场所」。这是因为利用计算机视觉无法像人类一样对图像进行语义理解，基于神经网络的图像分类算法是通过图像的内容和色彩变化来区分类别的，因此需要知道对于计算机而言，哪些类别之间存在混淆性，进一步的，针对对容易发生混淆的类别可以做出措施，从而来帮助提升计算机的分类精度。
51.本技术的目的是对已经训练好的场景分类模型做进一步的优化，在本技术的一些实施例中，可以采用训练数据库对神经网络场景分类模型进行训练，以得到初步训练好的神经网络场景分类模型。该模型的预测准确度不好，如图1所示，在图的水平线下的类别的识别精度均偏低。
52.为此，本技术利用混沌矩阵，对初步训练好的神经网络场景分类模型的类别进行了二次分类。
53.首先，基于训练好的神经网络场景分类模型对测试数据集进行测试，得到测试数据集中各图像的预测类别，需要注意，各图像的预测类别均不超过上述365个类别的范围。
54.步骤s220：根据各图像的预测类别以及各图像的真实类别，确定测试数据集的混沌矩阵。
55.在本技术中，利用混淆矩阵来描述之间的相关程度，混淆矩阵可以理解为是对分类问题的预测结果的总结，在本技术的一些实施例中，混淆矩阵可以理解为一个计数矩阵，使用计数矩阵，能够汇总出各类别预测正确和预测不正确的图像的数量，从而为优化场景分类模型给出基础。
56.在本技术的一些实施例中，混沌矩阵的确定可以采用下述方法：统计所述公开数据集中的所有类别；将各类别或者各类别的身份编码分别作为所述混沌矩阵的列向量和行向量，形成一个初始值均为零的初始矩阵；根据所述测试数据集中各图像的真实类别和预测类别，对所述初始矩阵中的值进行更新，得到所述混沌矩阵。
57.对于混沌矩阵的确定方法，如可以将公开数据集的365个类别分别作为横向量(行向量)或纵向量(列向量)，形成一个初始值均为0的表格或者初始矩阵。为了更加直观的表述，可以理解为一个表格，横向量或纵向量为这个表格的首行和首列，如表1所示，表1为一个混沌矩阵的表现形式，首列表示真实类别，首行表示预测类别。在本技术的一些实施例中，为了更加直观，可以将相同的类别在横向量和纵向量中，设置在相同的位置上，即所述列向量中各类别的顺序与所述行向量中各类别的顺序一致。
58.然后根据各图像的预测类别和各图像的真实类别，对上述混沌矩阵的各个位置的值进行填写或更新。在本技术的一些实施例中，所述根据各图像的真实类别和预测类别，对所述初始矩阵中的值进行更新包括：确定一个图像对应所述初始矩阵中的位置，并将该位置的值加一，以实现对所述初始矩阵的更新；其中，所述位置是该图像的真实标签类别和预测标签类别在所述初始矩阵中的交叉位置；将根据所述测试数据集中各图像的真实标签类别和预测标签类别，更新完毕后的初始矩阵作为所述混沌矩阵。
59.如一个图像的预测类别为教室，其真实类别也为教室，则将横向量中为教室与纵向量也为教室的位置加一，如表1；如一个图像的预测类别为电影院，其真实类别为教室，则将横向量中为教室与纵向量为电影院的位置加一，如表1。
60.表1
[0061] 电影院操场教室礼堂电影院0000操场0000教室0010礼堂1000
[0062]
将预测数据集中所有的图像一一按照上述方法进行统计，统计后，即可得到预测数据集的混沌矩阵。
[0063]
从表1可以看出，当横向量的类别和纵向量的类别一致时，即对角线的位置，表示各类别的图像预测结果为正确的数量；当横向量的类别和纵向量的类别不一致时，即非对角线的位置，表示各类别的图像预测结果为错误的数量。因此，从表1中可以一目了然的看出，哪两个类别发生了混淆，如表1示出的实施例中，礼堂和电影院出现了混淆。分类精度低的原因之一在于类别之间的视觉特征差异小，即类别的特征向量之间存在相关性。因此，本技术利用训练好的神经网络场景分类模型对测试数据集做测试，通过标签的预测结果可得到类别间的混淆矩阵。
[0064]
步骤s230：根据混沌矩阵，将神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。
[0065]
礼堂和电影院是神经网络场景分类模型中的原始类别，图3示出了礼堂和电影院的场景的图像，从图3a可以看出礼堂中有很多座位，从图3b也可以看出电影院中有也很多座位，因此，可以根据该共同特征，将二者映射为超类类别——观众坐席，形成优化后的神经网络场景分类模型的类别或标签。
[0066]
从图2所示的方法可以看出，本技术基于训练好的神经网络场景分类模型对测试数据集进行测试，得到所述测试数据集中各图像的预测类别；根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵；根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。本技术通过采用训练好的神经网络场景分类模型对测试数据集进行测试的结果，将测试结果转化混沌矩阵，并基于混沌矩阵对神经网络场景分类模型的原始的容易混淆的类别映射到新的超分类，显著提高了场景的分类模型的预测准确度，扩大了神经网络场景分类模型的应用场景。
[0067]
在本技术的一些方法中，上述方法还包括：将验证数据集作为输入，输入到优化后的神经网络场景分类模型中，以验证优化后的神经网络场景分类模型的预测准确性。
[0068]
在得到优化后的神经网络场景分类模型后，可以采用该模型，对验证数据集进行测试，通过比对测试获得的结果，得知合并类别后算法验证对容易发生混淆的类别会按照超类进行合并，能够保持视觉的一致性，从而提高模型的预测精度。
[0069]
对于混沌矩阵的确定方法不局限与上述方式，也可以统计公开数据集中的所有类别(365个)；将各类别和各类别的身份编码分别作为所述混沌矩阵的列向量和行向量，形成一个初始值均为零的初始矩阵；为了更加直观，可以将列向量和行向量中类别或者类别的身份编码设置为一致。然后统计预测数据集中的预测结果为正确的图像的第一数量，预测结果为错误的图像的第二数量，以及预测结果为错误的各图像的真实类别和预测类别；然后将上述结果为正确的图像的第一数量、预测结果为错误的图像的第二数量填入初始矩阵
的对应位置上，具体的，一类别的正确预测总数将进入该类别的实际值行和该类别的预测值列交叉的位置；同样，一类别的错误预测总数将进入该类别的实际值行和该类别值的预测列。通过混淆矩阵了解模型所犯的错误，起到如何克服分类精度的限制的直到作用。
[0070]
为了方便计算，可以为各类别设置类别的身份编码，最简单的用1，2，3等阿拉伯数字来表示。
[0071]
如图4所示，图4示出根据本技术的一个实施例的混沌矩阵(共365个类别，由于图像大小的限制，只截取其中67个，特此说明)，图4中对角线位置上的元素代表类别自身，理想情况下应该为该类别样本的总数，颜色越深代表数量越多，非对角线上的元素代表两个类别预测混淆的个数，越大表示两类别越相关。如在图4的混淆矩阵中第21行和第19列对应的值为10，将标签id＝19对应的标签和id＝21对应的标签合并为一类。
[0072]
类别合并是人为地帮助分类模型避免发生混淆，合并的过程可以描述为对于混沌矩阵的一个位置，若其对应的真实类别和预测类别不一致，则判断该位置的值是否大于预设阈值；若大于，则根据该位置对应的真实类别和预测类别的共同特点，生成超类类别。混淆矩阵每一行和每一列分别对应真实类别和预测类别，对于二者不一致的交叉位置(非对角线位置)的值意味是场景分类模型在这两个类别上发生混淆的个数，大于等于预设阈值的情况下，如10，就将两个类别进行合并。
[0073]
表2示出根据本技术的一个实施例的根据混沌矩阵进行超类类别映射的部分结果，在表2中，每一行是第i类和第j类进行合并，index_i:类别i的索引id，label_i:类别i的英文名，中文标签：类别i的中文含义，index_j：类别j的索引id，label_j:类别j的英文，中文标签：类别j的中文含义，map_label:合并后的类别。
[0074]
从表2可以看出，从表1中可以看出，从混淆矩阵中可以看出机场和直升机场容易发生混淆，将二者映射为机场。
[0075]
表2
[0076][0077]
图5示出了根据本技术的一个实施例的场景分类模型的优化装置，所述装置500包括：
[0078]
预测单元510，用于基于训练好的神经网络场景分类模型对测试数据集进行测试，得到所述测试数据集中各图像的预测类别；
[0079]
矩阵转化单元520，用于根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵；
[0080]
超类生成单元530，用于根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。
[0081]
在本技术的一些实施例中，上述装置还包括，训练单元，用于获取公开数据集，所
述公开数据集包括训练数据集、测试数据集和验证数据集；基于所述训练数据集对所述神经网络场景分类模型进行训练，以得到训练好的神经网络场景分类模型。
[0082]
在本技术的一些实施例中，上述装置还包括，验证单元，用于将验证数据集作为输入，输入到优化后的神经网络场景分类模型中，以验证优化后的神经网络场景分类模型的预测准确性。
[0083]
在本技术的一些实施例中，在上述装置中，矩阵转化单元520，用于统计所述公开数据集中的所有类别；将各类别或各类别的身份编码分别作为所述混沌矩阵的列向量和行向量，形成一个初始值均为零的初始矩阵；根据所述测试数据集中各图像的真实类别和预测类别，对所述初始矩阵中的值进行更新，得到所述混沌矩阵。
[0084]
在本技术的一些实施例中，在上述装置中，所述列向量中各类别的顺序与所述行向量中各类别的顺序一致。
[0085]
在本技术的一些实施例中，在上述装置中，矩阵转化单元520，用于确定一个图像对应所述初始矩阵中的位置，并将该位置的值加一，以实现对所述初始矩阵的更新；其中，所述位置是该图像的真实类别和预测类别在所述初始矩阵中的交叉位置；将根据所述测试数据集中各图像的真实类别和预测类别，更新完毕后的初始矩阵作为所述混沌矩阵。
[0086]
在本技术的一些实施例中，在上述装置中，矩阵转化单元520，用于确定一个图像的真实类别和预测类别是否一致，若一致，则确定该图像的预测结果为正确；若不一致，则确定该图像的预测结果为错误；统计所述测试数据集中各类别的预测结果为正确的图像的第一数量，以及各类别的预测结果为错误的图像的第二数量；将所述第一数量和所述第二数量填写到所述初始矩阵中对应的位置上，得到所述混沌矩阵。
[0087]
在本技术的一些实施例中，在上述装置中，超类生成单元530，用于对于所述混沌矩阵的一个位置，若其对应的真实类别和预测类别不一致，则判断该位置的值是否大于预设阈值；若大于，则根据该位置对应的真实类别和预测类别的共同特点，生成超类类别。
[0088]
能够理解，上述场景分类模型的优化装置，能够实现前述实施例中场景分类模型的优化方法的各个步骤，关于场景分类模型的优化方法的相关阐释均适用于场景分类模型的优化装置，此处不再赘述。
[0089]
图6是本技术的一个实施例电子设备的结构示意图。请参考图6，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
[0090]
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0091]
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
[0092]
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成场景分类模型的优化装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
[0093]
基于训练好的神经网络场景分类模型对测试数据集进行测试，得到所述测试数据集中各图像的预测类别；
[0094]
根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵；
[0095]
根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。
[0096]
上述如本技术图5所示实施例揭示的场景分类模型的优化装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0097]
该电子设备还可执行图5中场景分类模型的优化装置执行的方法，并实现场景分类模型的优化装置在图5所示实施例的功能，本技术实施例在此不再赘述。
[0098]
本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图5所示实施例中场景分类模型的优化装置执行的方法，并具体用于执行：
[0099]
基于训练好的神经网络场景分类模型对测试数据集进行测试，得到所述测试数据集中各图像的预测类别；
[0100]
根据各图像的预测类别以及各图像的真实类别，确定所述测试数据集的混沌矩阵；
[0101]
根据所述混沌矩阵，将所述神经网络场景分类模型中的原始类别映射为超类类别，得到优化后的神经网络场景分类模型。
[0102]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产
品的形式。
[0103]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0104]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0105]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0106]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0107]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0108]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0109]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0110]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0111]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员
来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。