相册视频的识别方法、相册视频识别模型的训练方法及装置与流程

1.本发明涉及相册视频识别技术领域，特别涉及一种相册视频的识别方法、相册视频识别模型的训练方法及装置、电子设备、存储介质。


背景技术：

2.当前互联网环境中，视频是重要的信息媒介。视频制作分为多种，其中就包括通过图片生成的电子相册、拍摄的视频和拍摄视频与相册视频结合的视频，实验证明相册视频对于用户的吸引力远低于正常制作的视频，在在线旅游平台中用户上传的视频与正常拍摄的视频混杂，在线旅游平台下需要保证推荐的视频质量，因此对于视频的识别尤为重要。当前视频的质量主要依赖于人工审核，而酒店行业的视频量日益增多，因此维护需要耗费较大的人力成本。视频分类领域常用方法有3d卷积网络、基于卷积长短时记忆的长期循环卷积网络，然而3d卷积网络虽然有速度优势，但是在精度上不及长期循环卷积网络。传统长期循环卷积网络主要用于视频动作分类领域，在相册视频检测任务上效果不佳。


技术实现要素：

3.本发明要解决的技术问题是为了克服现有技术中对于相册视频识别效果不佳的缺陷，提供一种相册视频的识别方法、相册视频识别模型及装置、电子设备、存储介质。
4.本发明是通过下述技术方案来解决上述技术问题：
5.第一方面，提供一种相册视频的识别方法，包括：
6.提取待识别视频中的视频图像帧的色彩信息和稠密光流信息；
7.将所述色彩信息和所述稠密光流信息输入相册视频识别模型，以由所述相册视频识别模型的特征提取层根据所述色彩信息和稠密光流信息对所述待识别视频的特征进行提取，由所述相册视频识别模型的特征挖掘层对所述特征提取层的输出结果进行挖掘，由所述相册视频识别模型的自注意力机制层对所属特征挖掘层的输出结果进行加权处理；其中，所述相册视频识别模型由多段视频数据样本训练得到；
8.根据所述相册视频识别模型的输出结果，判断所述待识别视频是否为相册视频。
9.可选地，所述相册视频识别模型的输出结果通过所述视频图像帧的权重表征；
10.判断所述待识别视频视频是否为相册视频，包括：
11.若所述相册视频识别模型输出的各个权重的相似度落入预设范围，则判断结果为所述待识别视频为相册视频；
12.若所述各个权重的相似度未落入预设范围，则判断结果为所述待识别视频为非相册视频。
13.可选地，所述特征提取层和所述特征挖掘层之间设有第一全连接层，所述第一全连接层用于将所述特征提取层的输出结果进行降维之后，输入至所述特征挖掘层。
14.可选地，所述自注意力机制层的输出端还设有第二全连接层，所述第二全连接层用于对所述自注意力机制层的输出结果整合后输出。
15.第二方面，提供一种相册视频识别模型的训练方法，包括：
16.获取多段视频数据样本，每段视频数据样本标注有标注信息，所述标注信息表征所述视频数据样本是否为相册视频；
17.对于每段视频数据样本，提取所述视频数据样本中的视频图像帧的色彩信息和稠密光流信息；
18.将所述色彩信息和稠密光流信息输入特征提取层、特征挖掘层和自注意力机制层，以由所述特征提取层根据所述色彩信息和稠密光流信息对所述视频数据样本的特征进行提取，由所述特征挖掘层对所述特征提取层的输出结果进行挖掘，由所述自注意力机制层对所述特征挖掘层的输出结果进行加权处理；
19.根据所述特征挖掘层的输出结果和所述标注信息计算损失误差，并根据所述损失误差调节所述特征提取层、所述特征挖掘层和所述自注意力机制层的网络参数，直至达到迭代停止条件。
20.可选地，所述相册视频识别模型还包括设于所述特征提取层和所述特征挖掘层之间的第一全连接层，所述第一全连接层用于将所述特征提取层的输出结果进行降维之后，输入至所述特征挖掘层。
21.可选地，所述相册视频识别模型还包括设于所述自注意力机制层的输出端的第二全连接层，所述第二全连接层用于对所述自注意力机制层的输出结果整合后输出。
22.可选地，所述自注意力机制层通过以下公式表征：
23.α＝softmax(w
s2
tanh(w
s1ht
)
24.其中，α表示所述自注意力机制层的输出结果；w
s2
，w
s1
分别表示自定义可学习的参数向量，w
s2
的大小为d
×
1，w
s1
的大小为d
×
u，d、u均表示超参数；h表示所述特征挖掘层的输出结果。
25.第三方面，提供一种相册视频的识别装置，包括：
26.预处理模块，用于提取待识别视频中的视频图像帧的色彩信息和稠密光流信息；
27.输入模块，用于将所述色彩信息和所述稠密光流信息输入相册视频识别模型，以由所述相册视频识别模型的特征提取层根据所述色彩信息和稠密光流信息对所述待识别视频的特征进行提取，由所述相册视频识别模型的特征挖掘层对所述特征提取层的输出结果进行挖掘，由所述相册视频识别模型的自注意力机制层对所述特征挖掘层的输出结果进行加权处理；其中，所述相册视频识别模型由多段视频数据样本训练得到；
28.判断模块，用于根据所述相册视频识别模型的输出结果，判断所述待识别视频是否为相册视频。
29.可选地，所述相册视频识别模型的输出结果通过所述待识别视频图像帧的权重表征；
30.所述判断模块具体用于：
31.若所述相册视频识别模型输出的各个权重的相似度落入预设范围，则判断结果为所述待识别视频为相册视频；
32.若所述各个权重的相似度为落入预设范围，则判断结果为所述待识别视频为非相册视频。
33.可选地，所述特征提取层和所述特征挖掘层之间设有第一全连接层，所述第一全
连接层用于将所述特征提取层的输出结果进行降维之后，输入至所述特征挖掘层。
34.可选地，所述自注意力机制层的输出端还设有第二全连接层，所述第二全连接层用于对所述自注意力机制层的输出结果整合后输出。
35.第四方面，提供一种相册视频识别模型的训练装置，所述相册视频识别模型包括依次级联的特征提取层、特征挖掘层和自注意力机制层；所述训练装置包括：
36.获取模块，用于获取多段视频数据样本，每段视频数据样本标注有标注信息，所述标注信息表征所述视频数据样本是否为相册视频；
37.预处理模块，用于对于每段视频数据样本，提取所述视频数据样本中的视频图像帧的色彩信息和稠密光流信息；
38.输入模块，用于将所述色彩信息和稠密光流信息输入特征提取层、特征挖掘层和自注意力机制层，以由所述特征提取层根据所述色彩信息和稠密光流信息对所述视频数据样本的特征进行提取，由所述特征挖掘层对所述特征提取层的输出结果进行挖掘，由所述自注意力机制层对所述特征挖掘层的输出结果进行加权处理；
39.计算模块，用于根据所述特征挖掘层的输出结果和所述标注信息计算损失误差；
40.调节模块，根据所述损失误差调节所述特征提取层、所述特征挖掘层和所述自注意力机制层的网络参数，直至达到迭代停止条件。
41.可选地，所述相册视频识别模型还包括设于所述特征提取层和所述特征挖掘层之间的第一全连接层，所述第一全连接层用于将所述特征提取层的输出结果进行降维之后，输入至所述特征挖掘层。
42.可选地，所述相册视频识别模型还包括设于所述自注意力机制层的输出端的第二全连接层，所述第二全连接层用于对所述自注意力机制层的输出结果整合后输出。
43.可选地，所述自注意力机制层通过以下公式表征：
44.α＝softmax(w
s2
tanh(w
s1ht
)
45.其中，α表示所述自注意力机制层的输出结果；w
s2
，w
s1
分别表示自定义可学习的参数向量，w
s2
的大小为d
×
1，w
s1
的大小为d
×
u，d、u均表示超参数；h表示所述特征挖掘层的输出结果。
46.第五方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
47.第六方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
48.本发明的积极进步效果在于：基于在线旅游平台场景下的海量视频，利用深度学习，相册视频识别模型结合了特征提取层、特征挖掘层和自注意力机制层，可以更精准的识别相册视频，及时发现视频内容的缺陷，把控上传视频的质量，节省了运维成本，保证前端视频展示视频和推荐视频的准确性，有效提升在线旅游平台场景下的用户体验。
附图说明
49.图1为本发明一示例性实施例提供的一种相册视频的识别方法的流程图；
50.图2为本发明一示例性实施例提供的一种相册视频识别模型的训练方法的流程图；
51.图3为本发明一示例性实施例提供的一种相册视频识别模型的架构图；
52.图4为本发明一示例性实施例提供的一种相册视频识别模型的另一架构图；
53.图5为本发明一示例性实施例提供的一种相册视频识别装置的模块示意图；
54.图6为本发明一示例性实施例提供的一种相册视频识别模型的训练装置的模块示意图；
55.图7为本发明一示例性实施例提供的一种电子设备的结构示意图；
具体实施方式
56.下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
57.图1为本发明一示例性实施例提供的一种相册视频的识别方法的流程图，该方法包括以下步骤：
58.步骤101、提取待识别视频中的视频图像帧的色彩信息和稠密光流信息。
59.首先，将视频图像帧的色彩信息转化为视频rgb特征。视频rgb特征可以但不限于通过矩阵表征。
60.稠密光流信息通常使用opencv(opencv是一个开源计算机视觉和机器学习软件库)的farneback方法(farneback方法是opencv中的一种提取稠密光流的算法)进行提取，提取到的稠密光流信息结果用灰度图序列表征。
61.步骤102、将所述色彩信息和所述稠密光流信息输入相册视频识别模型。
62.将上一步提取得到的rgb特征矩阵和稠密光流信息的灰度图序列输入至相册视频识别模型的特征提取层，以由特征提取层根据色彩信息和稠密光流信息对待识别视频的特征进行提取，由相册视频识别模型的特征挖掘层对特征提取层的输出结果进行挖掘后，由相册视频识别模型的自注意力机制层对特征挖掘层的输出结果进行加权处理；其中，相册视频识别模型由多段视频数据样本训练得到，相册视频识别模型的具体训练过程参见下文描述。
63.在一个实施例中，rgb特征矩阵和稠密光流信息输入特征提取层之后各输出对应的一个1
×
2048维的向量，将rgb特征矩阵和稠密光流信息输入特征提取层后得到的两个1
×
2048维的向量融合，融合的方法可以但不限于包括以下方法的至少一种：直接相加、拼接等，得到融合特征向量作为特征提取层的输出结果。需要说明的是，1
×
2048维只是举例说明，实际应用中可以根据需求设置rgb特征矩阵和稠密光流信息的灰度图序列的维数。
64.在一个实施例中，特征提取层和特征挖掘层之间设有第一全连接层，第一全连接层用于将特征提取层的输出结果进行降维之后，输入至特征挖掘层。第一全连接层的输入和输出的数据尺寸是可以指定的，降维的主要目的是为了保留有用的信息，去除冗余数据，减小后续神经网络的工作量，提升相册视频识别速度。
65.在一个实施例中，自注意力机制层对特征挖掘层的输出结果进行加权处理，图3为本发明一示例性实施例提供的一种相册视频识别模型的架构图，图4为本发明一示例性实施例提供的一种相册视频识别模型的另一架构图，其中特征挖掘层不限于采用图中示出的lstm网络实现，还可以采用其他神经网络实现。图中标注的0.5、0.3、0.1、0.1示例参数表示自注意力机制层的输出结果，通过以下公式计算得出：
66.α＝softmax(w
s2
tanh(w
s1ht
)
67.其中，α表示所述自注意力机制层的输出结果；w
s2
，w
s1
分别表示自定义可学习的参数向量，w
s2
的大小为d
×
1，w
s1
的大小为d
×
u，d、u均表示超参数；h表示所述特征挖掘层的输出结果。
68.在一个实施例中，在自注意力机制层的输出端设有第二全连接层，第二全连接层用于对自注意力机制层的高维结果进行整合后输出一个2
×
1维的矩阵。需要说明的是，2
×
1维只是举例说明，实际应用中可以根据需求设置整合后的矩阵的维数。
69.步骤103、根据相册视频识别模型的输出结果，判断待识别视频是否为相册视频。
70.在一个实施例中，视频识别模型的输出结果通过视频图像帧的权重表征：
71.若每帧视频图像帧的权重的相速度落入预设范围，则判断结果为所述待识别视频为相册视频，若每帧视频图像帧的权重的相似度未落入预设范围，则判断结果为所述待识别视频为非相册视频。其中每帧视频图像帧的权重的相似度通过每帧比对计算得出，用百分数表示。
72.在一个实施例中，若每帧视频图像帧的权重的相似度低于20％，则判断视频为非相册视频；若每帧视频图像帧的权重的相似度高于80％，则判断视频为相册视频；若每帧视频图像帧的权重的相似度在20％～80％，则需要人工判断视频是否为相册视频。需要说明的是，20％、80％、20％～80％只是举例说明，实际应用中可以根据需求设置权重的相似度判断标准。
73.基于在线旅游平台场景下的海量视频，利用深度学习，相册视频识别模型结合了特征提取层、特征挖掘层和自注意力机制层可以更精准的识别相册视频，及时发现视频内容的缺陷，把控上传视频的质量，节省了运维成本，保证前端展示视频和推荐视频的准确性，有效提升在线旅游平台场景下的用户体验。
74.相册视频的每帧权重的相似度很高，而正常拍摄的视频每帧权重的相似度很低，利用相册视频和正常拍摄的视频这一区别将自注意力机制层应用于相册视频识别，可以更加有针对性的精准识别出相册视频，从而及时发现视频内容的缺陷，把控上传视频的质量。
75.图2为本发明一示例性实施例提供的一种相册视频识别模型的训练方法的流程图，图3为本发明一示例性实施例提供的一种相册视频识别模型的架构图，其中，特征1，2，
…
t 1表示视频图像帧的色彩信息，提取的稠密光流信息是帧与帧之间的稠密光流信息。
76.所述相册视频识别模型包括依次级联的特征提取层、特征挖掘层和自注意力机制层，训练方法包括以下步骤：
77.步骤201、获取多段视频数据样本，每段视频数据样本标注有标注信息，标注信息表征视频数据样本是否是相册视频。
78.步骤202、提取视频数据样本的视频图像帧的色彩信息和稠密光流信息。
79.提取后的视频图像帧的色彩信息为一矩阵，稠密光流信息通常使用opencv的farneback方法进行提取，提取到的稠密光流信息结果用灰度图序列表征。
80.在进行模型训练时，将提取得到的视频数据样本的视频图像帧的色彩信息和稠密光流信息作为模型训练的输入。
81.步骤203、将色彩信息和稠密光流信息输入特征提取层、特征挖掘层和自注意力机制层。
82.将上一步提取得到的视频图像帧的色彩信息特征矩阵和稠密光流信息的灰度图序列输入至相册视频识别模型的特征提取层，以由特征提取层根据色彩信息和稠密光流信息对视频数据样本的特征进行提取，由特征挖掘层对特征提取层的输出结果进行挖掘，由自注意力机制层对特征挖掘层的输出结果进行加权处理。
83.rgb特征矩阵和稠密光流信息输入特征提取层之后各输出对应的一个1
×
2048维的向量。将rgb特征矩阵和稠密光流信息输入特征提取层后得到的两个1
×
2048维的向量融合，融合的方法可以但不限于包括以下方法的至少一种：直接相加、拼接等，得到融合特征向量作为特征提取层的输出结果。需要说明的是，1
×
2048维只是举例说明，实际应用中可以根据需求设置rgb特征矩阵和稠密光流信息的灰度图序列的维数。
84.在一个实施例中，特征提取层和特征挖掘层之间设有第一全连接层，第一全连接层用于将特征提取层的输出结果进行降维之后，输入至特征挖掘层。第一全连接层的输入和输出的数据尺寸是可以指定的，降维的主要目的是为了保留有用的信息，去除冗余数据，减小后续神经网络的工作量，提升相册视频识别速度。
85.特征提取层可以但不限于采用卷积神经网络cnn；特征挖掘层可以但不限于采用循环神经网络rnn；自注意力机制层可以但不限于采用self-attention网络。
86.步骤204、根据特征挖掘层的输出结果和标注信息计算损失误差。
87.计算损失误差的损失函数可以参考相关技术描述，本发明实施例对此不做特别限定。
88.步骤205、根据损失误差调节特征提取层、特征挖掘层和自注意力机制层的网络参数，直到达到迭代停止条件。
89.其中迭代停止条件可以但不限于包括：相册视频识别模型的损失误差收敛；或者，迭代次数达到次数阈值。其中，次数阈值可以根据实际情况自行设置。
90.训练完成，即可得到相册视频识别模型，该相册视频识别模型用于实现对相册视频的有效识别，训练过程中，根据特征挖掘层的输出结果和标注信息计算损失误差，用该损失误差来约束相册视频识别模型的训练，使相册视频识别模型的判断结果更加准确。
91.在一个实施例中，可以使用不同场景的视频训练相册识别模型以适应不同的使用场景，不同场景的视频包括以下场景的至少一种：酒店、旅拍。由此生成的针对不同场景的相册视频识别模型，不用在每次识别时都重新搭建识别环境，提高了对于相册视频的识别效率。
92.与前述相册视频的识别方法、相册视频识别模型的训练方法实施例相对应，本发明还提供了相册视频的识别装置、相册视频识别模型的训练装置的实施例。
93.图5为本发明一示例性实施例提供的一种相册视频的识别装置的模块示意图，所述装置包括：
94.预处理模块51，用于提取待识别视频中的视频图像帧的色彩信息和稠密光流信息；
95.输入模块52，用于将所述色彩信息和所述稠密光流信息输入相册视频识别模型，以由所述相册视频识别模型的特征提取层根据所述色彩信息和稠密光流信息对所述待识别视频的特征进行提取，由所述相册视频识别模型的特征挖掘层对所述特征提取层的输出结果进行挖掘，由所述相册视频识别模型的自注意力机制层对所述特征挖掘层的输出结果
进行加权处理；其中，所述相册视频识别模型由多段视频数据样本训练得到；
96.判断模块53，用于根据所述相册视频识别模型的输出结果，判断所述待识别视频是否为相册视频。
97.可选地，所述相册视频识别模型的输出结果通过所述视频图像帧的权重表征；
98.所述判断模块具体用于：
99.若所述相册视频识别模型输出的各个权重的相似度落入预设范围，则判断结果为所述待识别视频为相册视频；
100.若所述各个权重的相似度为落入预设范围，则判断结果为所述待识别视频为非相册视频。
101.可选地，所述特征提取层和所述特征挖掘层之间设有第一全连接层，所述第一全连接层用于将所述特征提取层的输出结果进行降维之后，输入至所述特征挖掘层。
102.可选地，所述自注意力机制层的输出端还设有第二全连接层，所述第二全连接层用于对所述自注意力机制层的输出结果整合后输出。
103.图6为本发明一示例性实施例提供的一种相册视频识别模型的训练装置的模块示意图，所述装置包括：
104.获取模块61，用于获取多段视频数据样本，每段视频数据样本标注有标注信息，所述标注信息表征所述视频数据样本是否为相册视频；
105.预处理模块62，用于对于每段视频数据样本，提取所述视频数据样本中的视频图像帧的色彩信息和稠密光流信息；
106.输入模块63，用于将所述色彩信息和稠密光流信息输入特征提取层、特征挖掘层和自注意力机制层，以由所述特征提取层根据所述色彩信息和稠密光流信息对所述视频数据样本的特征进行提取，由所述特征挖掘层对所述特征提取层的输出结果进行挖掘，由所述自注意力机制层对所述特征挖掘层的输出结果进行加权处理；
107.计算模块64，用于根据所述特征挖掘层的输出结果和所述标注信息计算损失误差；
108.调节模块65，根据所述损失误差调节所述特征提取层、所述特征挖掘层和所述自注意力机制层的网络参数，直至达到迭代停止条件。
109.可选地，所述相册视频识别模型还包括设于所述特征提取层和所述特征挖掘层之间的第一全连接层，所述第一全连接层用于将所述特征提取层的输出结果进行降维之后，输入至所述特征挖掘层。
110.可选地，所述相册视频识别模型还包括设于所述自注意力机制层的输出端的第二全连接层，所述第二全连接层用于对所述自注意力机制层的输出结果整合后输出。
111.可选地，所述自注意力机制层通过以下公式表征：
112.α＝softmax(w
s2
tanh(w
s1ht
)
113.其中，α表示所述自注意力机制层的输出结果；w
s2
，w
s1
分别表示自定义可学习的参数向量，w
s2
的大小为d
×
1，w
s1
的大小为d
×
u，d、u均表示超参数；h表示所述特征挖掘层的输出结果。
114.对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件
说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
115.图7为本发明一示例实施例示出的一种电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备70的框图。图7显示的电子设备70仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
116.如图7所示，电子设备70可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备70的组件可以包括但不限于：上述至少一个处理器71、上述至少一个存储器72、连接不同系统组件(包括存储器72和处理器71)的总线73。
117.总线73包括数据总线、地址总线和控制总线。
118.存储器72可以包括易失性存储器，例如随机存取存储器(ram)721和/或高速缓存存储器722，还可以进一步包括只读存储器(rom)723。
119.存储器72还可以包括具有一组(至少一个)程序模块724的程序工具725(或实用工具)，这样的程序模块724包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
120.处理器71通过运行存储在存储器72中的计算机程序，从而执行各种功能应用以及数据处理，例如上述任一实施例所提供的方法。
121.电子设备70也可以与一个或多个外部设备74(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口75进行。并且，模型生成的电子设备70还可以通过网络适配器76与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器76通过总线73与模型生成的电子设备70的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的电子设备70使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
122.应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
123.本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所提供的方法的步骤。
124.其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
125.在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现上述任一实施例提供的方法的步骤。
126.其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独
立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
127.虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。