目标分类方法、装置、设备以及存储介质与流程

1.本公开涉及人工智能技术领域，具体涉及深度学习、计算机视觉等领域，尤其涉及目标分类方法、装置、设备以及存储介质。


背景技术：

2.随着互联网和多媒体技术的发展，人工智能网络需要处理越来越多的分类任务。分类任务的本质是信息分类，也即从媒体信息(比如图片、视频、音频、文字等)中提取相应的特征，并利用该特征对媒体信息进行分类。信息分类通常通过使用能够表征该分类的标签对媒体信息进行标记，以使设备或者用户能够更加方便对该媒体信息进行处理或利用。


技术实现要素：

3.本公开提供了一种目标分类方法、装置、设备以及存储介质。
4.根据本公开的第一方面，提供了一种目标分类方法，包括：获取目标队列，其中，目标队列包括针对多帧目标图像中待分类物体的多个分类结果；基于目标队列构造目标数组，其中，目标数组中的元素与目标队列中的分类结果相对应；确定包含目标数组中同一元素的连续子数组中的最长连续子数组；将最长连续子数组中的元素对应于目标队列中的分类结果作为待分类物体的分类结果。
5.根据本公开的第二方面，提供了一种目标分类装置，包括：第一获取模块，被配置成获取目标队列，其中，目标队列包括针对多帧目标图像中待分类物体的多个分类结果；构造模块，被配置成基于目标队列构造目标数组，其中，目标数组中的元素与目标队列中的分类结果相对应；第一确定模块，被配置成确定包含目标数组中同一元素的连续子数组中的最长连续子数组；第二确定模块，被配置成将最长连续子数组中的元素对应于目标队列中的分类结果作为待分类物体的分类结果。
6.根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
7.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
8.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
9.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
10.附图用于更好地理解本方案，不构成对本公开的限定。其中：
11.图1是本公开可以应用于其中的示例性系统架构图；
12.图2是根据本公开的目标分类方法的一个实施例的流程图；
13.图3是根据本公开的目标分类方法的另一个实施例的流程图；
14.图4是图3所示的目标分类方法的确定最长连续子数组步骤的分解流程图；
15.图5是根据本公开的目标分类方法的一个应用场景的示意图；
16.图6是根据本公开的目标分类装置的一个实施例的结构示意图；
17.图7是用来实现本公开实施例的目标分类方法的电子设备的框图。
具体实施方式
18.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
19.需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
20.图1示出了可以应用本公开的目标分类方法或目标分类装置的实施例的示例性系统架构100。
21.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
22.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。
23.终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
24.服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取的目标队列进行分析和处理，并生成处理结果(例如待分类物体的分类结果)。
25.需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
26.需要说明的是，本公开实施例所提供的目标分类方法一般由服务器105执行，相应地，目标分类装置一般设置于服务器105中。
27.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
28.继续参考图2，其示出了根据本公开的目标分类方法的一个实施例的流程200。该目标分类方法包括以下步骤：
29.步骤201，获取目标队列。
30.在本实施例中，目标分类方法的执行主体(例如图1所示的服务器105)会获取目标队列，其中，目标队列包括针对多帧目标图像中待分类物体的多个分类结果。具体地，上述执行主体会先获取待分类物体的视频流数据，并从获取的视频流中获取待分类物体的多帧连续图像，其中，待分类物体为需要进行分类的物体，其可以为鞋子、手套、手、脚等通常会成对存在、且需要区分左右的实体。
31.可选地，在获取待分类物体的多帧连续图像后，可使用预先训练的分类模型来对多帧图像进行初步分类，从而得到多帧图像对应的多个分类结果，也即分别将多帧图像输入至预先训练的分类模型中，输出得到多帧图像对应的多个分类结果。而由于待分类物体通常是成对存在的，所以，不同的待分类物体在外观上会具有一定的相似性，单独使用一帧图像的分类结果来确定待分类物体的分类结果，则很容易出现分类错误的情况，从而造成模型来回切换，影响用户的体验效果以及分类结果的准确性。所以，本实施例中，会基于多帧图像对应的分类结果来确定待分类物体的分类结果，也即上述执行主体会获取包含多帧图像的分类结果的目标队列，以队列来存储多帧图像的分类结果，可以包含多帧图像的时序信息，还可以简化数据存储的复杂度。
32.步骤202，基于目标队列构造目标数组。
33.在本实施例中，上述执行主体会基于目标队列构造目标数组，其中，目标数组中的元素与目标队列中的分类结果相对应。也即在获取包含针对多帧目标图像中待分类物体的多个分类结果的目标队列后，上述执行主体会基于获取的目标队列来构造目标数组，而目标数组中的元素是与目标队列中的分类结果一一对应的。例如，当待分类物体为鞋子时，可将“左脚”分类结果表示为1，将“右脚”分类结果表示为2，从而得到与目标队列中分类结果一一对应的目标数组。
34.步骤203，确定包含目标数组中同一元素的连续子数组中的最长连续子数组。
35.在本实施例中，上述执行主体会确定包含目标数组中同一元素的连续子数组中的最长连续子数组。所谓连续子数组，是指从目标队列里面连续取元素，连续相同的元素构成了连续子数组，需要注意的是，连续子数组和子序列是不同的，因为连续子数组取的元素必须是连续的，而子序列取的元素可以是不连续的。在确定包含目标数组中同一元素的所有连续子数组后，上述执行主体会从所有连续子数组中确定最长连续子数组，这里的最长连续子数组可以为所有连续子数组中长度最长的连续子数组，也可以为所有连续子数组中包含元素数目最多的连续子数组。
36.可选地，上述执行主体可以先从目标数组中获取第一个元素，然后依次从目标数组中依次获取第一个元素之后的元素，并判断所获取的元素与第一个元素是否相同，若相同，则依次获取下一个元素，若不相同，则将所获取的元素作为第一个元素，重新依次从目标数组中获取该元素之后的元素重新判断，直至目标数组中的所有元素都已经判断完，此时，确定所有连续子数组的长度，并将所有连续子数组中长度最长的连续子数组确定为最长连续子数组。
37.步骤204，将最长连续子数组中的元素对应于目标队列中的分类结果作为待分类物体的分类结果。
38.在本实施例中，上述执行主体可以将最长连续子数组中的元素对应于目标队列中的分类结果确定为待分类物体的分类结果。由于每个连续子数组中的所有元素都是相同
的，而每个元素对应于目标队列中的一个分类结果，也即每个连续子数组中的分类结果都是相同的，而最长连续子数组的长度是所有连续子数组中最长的，也即说明在目标队列中，最长连续子数组对应的分类结果是所有分类结果中连续相同数目最多的分类结果，所以，上述执行主体会将最长连续子数组中的元素对应于目标队列中的分类结果确定为待分类物体的分类结果，从而提升了待分类物体的分类结果的准确性，并避免了模型来回切换所带来的不好体验。
39.在利用模型对一些通常会成对存在、且需要区分左右的实体进行分类时，由于这类实体外观的相似性，单独使用该实体的一帧图像来对该实体进行分类，很容易出现分类结果错误的情况。
40.本公开实施例提供的目标分类方法，首先获取目标队列；然后基于目标队列构造目标数组；之后确定包含目标数组中同一元素的连续子数组中的最长连续子数组；最后将最长连续子数组中的元素对应于目标队列中的分类结果作为待分类物体的分类结果。本实施例中的目标分类方法，该方法基于包含多个分类结果的目标数组中的最长连续子数组来确定待分类物体的分类结果，从而避免了多帧图像的分类结果不同所引起的模型来回切换的情况的发生，保证了模型的稳定性，提升了待分类物体的分类结果的准确性，提升了用户体验。
41.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
42.继续参考图3，图3示出了根据本公开的目标分类方法的另一个实施例的流程300。该目标分类方法包括以下步骤：
43.步骤301，获取目标队列。
44.在本实施例中，目标分类方法的执行主体(例如图1所示的服务器105)会获取目标队列，其中，目标队列包括针对多帧目标图像中待分类物体的多个分类结果。步骤301与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。
45.在本实施例的一些可选实施方式中，目标队列通过如下步骤得到：获取初始图像集，其中，初始图像集包括待分类物体的多帧连续的初始图像；利用预先训练的分类模型确定针对每个初始图像中待分类物体的分类结果；滤除初始图像集中分类结果为背景类的初始图像，得到目标图像集；基于针对每个目标图像中待分类物体的分类结果得到目标队列。
46.在本实现方式中，上述执行主体会先获取初始图像集，初始图像集为包括待分类物体的多帧连续的初始图像，初始图像集可以是从待分类物体的视频流中提取的。然后，上述执行主体可以利用预先训练的分类模型来确定针对每个初始图像中待分类物体的分类结果，其中，分类模型可以为resnet(residual network，残差网络)，也可以是mobilenet网络，本实施例中对此不做具体限定。由于待分类物体是分类结果的输出结果一般会成对存在、且需要区分左右，所以，分类模型的输出结果一般可以分为三类：左、右、背景类。之后，上述执行主体会滤除分类结果为背景类的初始图像，得到目标图像集，也即目标图像集中只保留了分类结果为“左”和“右”的图像。最后，上述执行主体会基于针对每个目标图像中待分类物体的分类结果得到目标队列。通过上述过程得到的目标队列中滤除了背景类图像，只包括了用于进行分类的有效数据，从而可以提升分类效率。
47.步骤302，获取目标队列的长度，记为目标长度。
48.在本实施例中，上述执行主体在获取目标队列后，会获取目标队列的长度，并将其记为目标长度。也即上述执行主体会确定目标队列中的元素数目，以使得后续可以基于该数目来构造目标数组。
49.步骤303，基于目标队列构造目标数组，其中，目标数组的长度与目标长度相同。
50.在本实施例中，上述执行主体基于目标队列来构造目标数组，其中，目标数组的长度与目标长度相同，也即目标数组中的元素是与目标队列中的分类结果一一对应的，从而保证目标数组与目标队列中的元素一致性。
51.步骤304，确定包含目标数组中同一元素的连续子数组中的最长连续子数组。
52.步骤305，将最长连续子数组中的元素对应于目标队列中的分类结果作为待分类物体的分类结果。
53.步骤304-305与前述实施例的步骤203-204基本一致，具体实现方式可以参考前述对步骤203-204的描述，此处不再赘述。
54.从图3中可以看出，与图2对应的实施例相比，本实施例中的目标分类方法，该方法突出了在生成目标队列时滤除背景类图像的步骤以及获取目标队列的长度的步骤，从而使得目标队列只包括用于进行分类的有效数据，从而提升了分类效率；并且通过获取目标队列的长度，并构造与该长度相同的目标数组，从而保证了目标数组与目标队列中的元素一致性，提升了分类结果的准确性。
55.继续参考图4，其示出了图3所示的目标分类方法的确定最长连续子数组步骤的分解流程400。该确定最长连续子数组步骤包括：
56.步骤401，构建当前子数组，获取目标数组中的第一个元素，将获取的元素作为当前子数组中的元素，将当前子数组的长度设置为1。
57.在本实施例中，确定最长连续子数组的执行主体(例如图1所示的服务器105)会先构建一个子数组，并将其记为当前子数组，且上述执行主体会从目标数组中获取第一个元素，并将其放入当前子数组中，也即当前子数组中包括目标数组中的第一个元素，然后上述执行主体会将当前子数组的长度设置为1。
58.步骤402，从目标数组中获取在当前所获取的元素之后的一个元素。
59.在本实施例中，上述执行主体会从目标数组中依次获取在当前所获取的元素之后的一个元素。也即上述执行主体会连续从目标数组中获取元素，从而确定连续子数组。
60.步骤403，判断获取的元素与当前子数组中的元素是否相同。
61.在本实施例中，上述执行主体会判断获取的元素与当前子数组中的元素是否相同，也即依次判断所获取的元素是否与当前子数组中的元素是否相同。并在相同的情况下，执行步骤404；否则，执行步骤405。
62.步骤404，将当前子数组的长度加1。
63.在本实施例中，若所获取的元素与当前子数组中的元素相同，上述执行主体将当前子数组的长度加1。
64.步骤405，记录当前子数组的长度，构建新的子数组，将当前所获取的元素作为新的子数组中的元素，将新的子数组的长度设置为1，将新的子数组作为下一轮迭代操作中的当前子数组。
65.在本实施例中，若所获取的元素与当前子数组中的元素不相同，上述执行主体会构建一个新的子数组，并将当前所获取的元素作为新的子数组中的元素，然后将新的子数组的长度设置为1，之后将新的子数组作为下一轮迭代操作中的当前子数组。
66.步骤406，判断当前获取的元素是否为目标数组中的最后一个元素。
67.在本实施例中，上述执行主体会判断当前获取的元素是否为目标数组中的最后一个元素，若是，则说明当前目标数组中已没有需要进行判断的元素了，则执行步骤407；否则，执行步骤402。
68.步骤407，基于各个当前子数组的长度确定最长连续子数组。
69.在本实施例中，由于上述执行主体在每一次构建新的子数组前，都会记录上一个当前子数组的长度，所以，上述执行主体可以基于记录的各个当前子数组的长度来确定最长连续子数组。
70.在本实施例的一些可选实施方式中，步骤407包括：获取各个当前子数组的长度；将长度最长的当前子数组确定为最长连续子数组。
71.在本实现方式中，上述执行主体会获取记录的各个当前子数组的长度，并将各个当前子数组中长度最长的当前子数组确定为最长连续子数组。从而使得确定的最长连续子数组更具有代表性，也使得待分类物体的分类结果更准确。
72.从图4中可以看出，本实施例中的确定最长连续子数组方法，该方法在确定最长连续子数组的过程中，降低了时间复杂度和计算复杂度，具有更高的效率和准确性。
73.进一步参考图5，其示出了根据本公开的目标分类方法的一个应用场景。在该应用场景中，待分类物体为鞋子，上述执行主体会获取待分类鞋子的多张连续图像，并利用预先训练的分类模型对多张图像进行分类，得到对应的多个分类结果。不失一般性，假设单幅图输出的结果有3类：0代表背景，1代表左脚，2代表右脚。
74.然后，上述执行主体会设置一个长度为n(一般情况下n＝5-15)的滑窗，滑窗会随着输入流的处理而向后移动。之后，上述执行主体会滤除掉分类结果为背景的结果，也就是说队列里仅存在1(左脚)和2(右脚)的数据。
75.该目标分类方法要在这个队列里寻找最长的连续子数组，所谓连续子数组，是指从队列里面连续的取元素(注意和子序列的不同，子序列取的元素可以是不连续的)。
76.而确定连续子数组一般会采用穷举法，也即先遍历数组的每个元素，对每个遍历到的元素si，再向后寻找其最大的连续长度li，这样就得到了以每个元素开始的最大连续长度l＝{l1，l2，
…
，ln}，再取最大值，可见，这个方法的时间复杂度为o(n*m)，其中n为队列长度，m为最大长度，空间复杂度o(n)。同时可以发现上述过程中存在很多重复计算，也即当某个元素si开始的连续长度li大于1时，其后li个元素必然与其相同，那么也就不需要再回溯至si 1重新计算长度了。
77.基于此，在该应用场景中，会先构造一个长度与队列相同的数组d
p
，那么该数组的长度d
pi
的动态规划方程为：
[0078][0079]
其中，i为数组长度，且为正整数；si表示第i个元素。
[0080]
也即当si不等于s
i-1
时，将当前数组长度重置为1；当si等于s
i-1
时，将当前数组长度
加1，也即仅需要获取最大的长度，而对于以每个元素开始的最大长度并不在意，从而避免了空间浪费，这样就将整个算法的时间复杂度降低到o(n)，空间复杂度降低到o(1)。
[0081]
在确定最长连续子数组之后，上述执行主体会将最长连续子数组中的元素对应于队列中的分类结果作为待分类鞋子的分类结果。
[0082]
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种目标分类装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0083]
如图6所示，本实施例的目标分类装置600包括：第一获取模块601、构造模块602、第一确定模块603和第二确定模块604。其中，第一获取模块601，被配置成获取目标队列，其中，目标队列包括针对多帧目标图像中待分类物体的多个分类结果；构造模块602，被配置成基于目标队列构造目标数组，其中，目标数组中的元素与目标队列中的分类结果相对应；第一确定模块603，被配置成确定包含目标数组中同一元素的连续子数组中的最长连续子数组；第二确定模块604，被配置成将最长连续子数组中的元素对应于目标队列中的分类结果作为待分类物体的分类结果。
[0084]
在本实施例中，目标分类装置600中：第一获取模块601、构造模块602、第一确定模块603和第二确定模块604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
[0085]
在本实施例的一些可选的实现方式中，上述目标分类装置600还包括用于生成目标队列的目标队列生成模块，目标队列生成模块包括：获取子模块，被配置成获取初始图像集，其中，初始图像集包括待分类物体的多帧连续的初始图像；第一确定子模块，被配置成利用预先训练的分类模型确定针对每个初始图像中待分类物体的分类结果；滤除子模块，被配置成滤除初始图像集中分类结果为背景类的初始图像，得到目标图像集；第二确定子模块，被配置成基于针对每个目标图像中待分类物体的分类结果得到目标队列。
[0086]
在本实施例的一些可选的实现方式中，上述目标分类装置600还包括：第二获取模块，被配置成获取目标队列的长度，记为目标长度；以及目标数组的长度与目标长度相同。
[0087]
在本实施例的一些可选的实现方式中，第一确定模块包括：第一构建子模块，被配置成构建当前子数组，获取所述目标数组中的第一个元素，将获取的元素作为所述当前子数组中的元素，将所述当前子数组的长度设置为1；迭代子模块，被配置成执行以下迭代步骤：从目标数组中获取在当前所获取的元素之后的一个元素，响应于获取的元素与当前子数组中的元素相同，将当前子数组的长度加1；第二构建子模块，被配置成响应于获取的元素与当前子数组中的元素不相同，记录当前子数组的长度，构建新的子数组，将当前获取的元素作为新的子数组中的元素，将新的子数组的长度设置为1，将新的子数组作为下一轮迭代操作中的当前子数组；再次迭代子模块，被配置成响应于确定当前获取的元素不是所述目标数组中的最后一个元素，进行下一轮迭代过程；第三确定子模块，被配置成响应于确定当前获取的元素为目标数组中的最后一个元素，基于各个当前子数组的长度确定最长连续子数组。
[0088]
在本实施例的一些可选的实现方式中，第三确定子模块包括：获取单元，被配置成获取各个当前子数组的长度；确定单元，被配置成将长度最长的当前子数组确定为最长连续子数组。
[0089]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0090]
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0091]
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0092]
设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0093]
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如目标分类方法。例如，在一些实施例中，目标分类方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的目标分类方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标分类方法。
[0094]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0095]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件
包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0096]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0097]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0098]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0099]
云计算(cloud computer)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用或存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
[0100]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0101]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0102]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。