图像识别模型的训练方法、装置、电子设备及存储介质

1.本发明涉及图像识别技术领域，具体而言，涉及一种图像识别模型的训练方法、装置、电子设备及存储介质。


背景技术：

2.随着深度网络模型的发展，在图像识别任务中也开始使用深度网络模型，但是由于现有的用于图像识别的深度网络模型都是数据驱动的，依赖于数据概率统计，因此会发生上下文偏移现象。上下文偏移现象是指当数据集中的某物体经常出现在一个地点时，深度网络模型会因为图像中出现了该地点，而直接判断该物体的存在。
3.近年来消除上下文偏移现象的方法是根据具体的识别任务，通过无上下文偏移的数据集对模型进行训练，但是这种模型所用的数据集对于其他任务来说，依然存在着上下文偏移，因此，这种训练模型无法应用到其他的识别任务中。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种图像识别模型的训练方法、装置、电子设备及存储介质，能够通过计算每个类别的平均图像特征向量和分数向量，得到第二图像特征，再用样本图像的第一图像特征向量减去第二图像特征向量，得到第三图像特征向量，第三图像特征也就是无上下文偏移的图像特征，然后再通过无上下文偏移的图像特征向量对模型进行训练，这样得到的图像识别模型在执行图像识别任务时，就会消除上下文偏移现象。
5.第一方面，本技术实施例提供了一种图像识别模型的训练方法，该方法包括：
6.获取样本图像对应的第一图像特征向量；根据所有样本图像对应的类别和第一图像特征向量，计算每个类别的平均图像特征向量；
7.将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量；分数向量中包含每个类别的预测分数；
8.针对每一张样本图像，根据所有类别的平均图像特征向量和样本图像对应的分数向量，确定样本图像对应的第二图像特征向量；
9.将样本图像的图像特征向量减去与样本图像对应的第二图像特征向量，计算样本图像的第三图像特征向量；
10.根据所有样本图像的第三图像特征向量及其类别，对最新更新的图像识别模型进行模型更新。
11.在一种可能的实施方式中，在根据所有样本图像的第三图像特征向量及其类别，对图像识别模型进行模型更新之后，该方法还包括：
12.确定最新更新的图像识别模型的准确率；
13.若最新更新的图像识别模型的准确率大于上一轮更新的图像识别模型的准确率，则跳转到将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量的步骤；
14.若最新更新的图像识别模型的准确率小于等于上一轮更新的图像识别模型的准确率，将最新更新的图像识别模型确定为最终的图像识别模型。
15.在一种可能的实施方式中，获取样本图像对应的第一图像特征向量，包括：
16.将样本图像输入到最新更新的图像识别模型中，获取样本图像对应的第一图像特征向量。
17.在一种可能的实施方式中，根据所有样本图像对应的类别和第一图像特征向量，计算每个类别的平均图像特征向量，包括：
18.针对每个类别，计算所有样本图像对应的类别中与类别相同的数量，得到类别的第一数值；
19.将所有属于类别的样本图像的第一图像特征向量进行相加，计算类别的图像特征向量的和，得到第二数值；
20.将类别对应的第二数值除以与其对应的第一数值，计算类别的平均图像特征向量。
21.在一种可能的实施方式中，根据所有类别的平均图像特征向量和样本图像对应的分数向量，确定样本图像对应的第二图像特征向量，包括：
22.将样本图像对应的分数向量进行非负处理，得到非负的分数向量；
23.将非负的分数向量进行归一化处理，得到样本图像对应的概率权重向量；概率权重向量中包含每个类别的预测概率；
24.将样本图像对应的概率权重向量和根据所有类别的平均图像特征向量组成的矩阵相乘，计算样本图像对应的第二图像特征向量。
25.第二方面，本技术实施例还提供了一种图像识别模型的训练装置，该装置包括：
26.获取模块，用于获取样本图像对应的第一图像特征向量；
27.计算模块，用于根据所有样本图像对应的类别和图像特征向量，计算每个类别的平均图像特征向量；
28.输入模块，用于将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量；分数向量中包含每个类别的预测分数；
29.确定模块，用于针对每一张样本图像，根据所有类别的平均图像特征向量和样本图像对应的分数向量，确定样本图像对应的第二图像特征向量；
30.计算模块，还用于将样本图像的图像特征向量减去与样本图像对应的第二图像特征向量，计算样本图像的第三图像特征向量；
31.更新模块，用于根据所有样本图像的第三图像特征向量及其类别，对最新更新的图像识别模型进行模型更新。
32.在一种可能的实施方式中，该装置还包括：跳转模块；
33.确定模块，还用于确定最新更新的图像识别模型的准确率；
34.跳转模块，用于若最新更新的图像识别模型的准确率大于上一轮更新的图像识别模型的准确率，则跳转到将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量的步骤；
35.确定模块，还用于若最新更新的图像识别模型的准确率小于等于上一轮更新的图像识别模型的准确率，将最新更新的图像识别模型确定为最终的图像识别模型。
36.在一种可能的实施方式中，获取模块，具体用于将样本图像输入到最新更新的图像识别模型中，获取样本图像对应的第一图像特征向量。
37.在一种可能的实施方式中，计算模块，具体用于针对每个类别，计算所有样本图像对应的类别中与类别相同的数量，得到类别的第一数值；将所有属于类别的样本图像的图像特征向量进行相加，计算类别的图像特征向量的和，得到第二数值；将类别对应的第二数值除以与其对应的第一数值，计算类别的平均图像特征向量。
38.在一种可能的实施方式中，确定模块，具体用于将样本图像对应的分数向量进行非负处理，得到非负的分数向量；将非负的分数向量进行归一化处理，得到样本图像对应的概率权重向量；概率权重向量中包含每个类别的预测概率；将样本图像对应的概率权重向量和根据所有类别的平均图像特征向量组成的矩阵相乘，计算样本图像对应的第二图像特征向量。
39.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、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行如第一方面任一项图像识别模型的训练方法的步骤。
40.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，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行如第一方面任一项图像识别模型的训练方法的步骤。
41.本技术提供了一种图像识别模型的训练方法、装置、电子设备及存储介质，该方法包括：获取样本图像对应的第一图像特征向量；根据所有样本图像对应的类别和第一图像特征向量，计算每个类别的平均图像特征向量；将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量；针对每一张样本图像，根据所有类别的平均图像特征向量和样本图像对应的分数向量，确定样本图像对应的第二图像特征向量；将样本图像的图像特征向量减去与样本图像对应的第二图像特征向量，计算样本图像的第三图像特征向量；根据所有样本图像的第三图像特征向量及其类别，对最新更新图像识别模型进行模型更新。本技术能够通过计算每个类别的平均图像特征向量和分数向量，得到第二图像特征，再用样本图像的第一图像特征向量减去第二图像特征向量，得到第三图像特征向量，第三图像特征也就是无上下文偏移的图像特征，然后再通过无上下文偏移的图像特征向量对模型进行训练，这样得到的图像识别模型在执行图像识别任务时，就会消除上下文偏移现象。
附图说明
42.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
43.图1示出了本技术实施例提供的一种图像识别模型的训练方法的流程图；
44.图2示出了本技术实施例提供的另一种图像识别模型的训练方法的流程图；
45.图3示出了本技术实施例提供的一种图像识别模型的训练装置的结构示意图；
46.图4示出了本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
47.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
48.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的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。
49.为了使得本领域技术人员能够使用本技术内容，结合特定应用场景“图像识别技术领域”，给出以下实施方式。对于本领域技术人员来说，在不脱离本技术的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本技术主要围绕“图像识别技术领域”进行描述，但是应该理解，这仅是一个示例性实施例。
50.下面对本技术实施例提供的一种图像识别模型的训练方法进行详细说明。
51.参照图1所示，为本技术实施例提供的一种图像识别模型的训练方法的流程示意图，下面对本技术实施例示例性的各步骤进行说明：
52.s101、获取样本图像对应的第一图像特征向量；根据所有样本图像对应的类别和第一图像特征向量，计算每个类别的平均图像特征向量。
53.在本技术的实施方式中，将每一张样本图像输入到最新更新的图像识别模型中，获取每一张样本图像对应的第一图像识别特征。
54.这里，在图像识别模型中，包括分类器层和基准骨干网络层，将样本图像输入到最新更新的图像识别模型中，获取基准骨干网络层的输出结果，也就是样本图像对应的第一图像识别特征。
55.其中，图像特征向量是1*图像特征维度的向量。
56.这里，本技术中分类器公式为：该公式为后门调公式的近似，γ的值设置为0.03125，τ为16，k为图像特征按特征维度切分的份数，w为分类权重、x为图像特征、γ为超参数，τ为温度控制参数，p为样本图像的预测分数。
57.在本技术实施例中，在获取样本图像对应的第一图像特征向量之后，针对每个类别，计算所有样本图像对应的类别中与该类别相同的数量，得到该类别的第一数值；将所有属于该类别的样本图像的第一图像特征向量进行相加，计算该类别的图像特征向量的和，得到第二数值；将类别对应的第二数值除以与其对应的第一数值，计算该类别的平均图像特征向量。
58.例如，样本图像的类别一共有3个，分别是a、b、c，十个样本图像的对应的图像类别
分别为a、b、c、a、c、c、b、c、a、b，因此，针对图像类别a在所有样本图像对应的类别中与每个类别相同的数量为3，也就是类别 a的第一数值，针对图像类别b在所有样本图像对应的类别中与每个类别相同的数量为3，也就是类别b的第一数值，针对图像类别c在所有样本图像对应的类别中与每个类别相同的数量为4，也就是类别c的第一数值，对于类别a的图像特征向量的和为第1、4、9个样本图像的第一图像特征向量的进行相加得到的和，也就是类别a的第二数值，对于类别b的图像特征向量的和为第2、7、10个样本图像的第一图像特征向量的进行相加得到的和，也就是类别b的第二数值，对于类别c的图像特征向量的和为第3、5、 6、8个样本图像的第一图像特征向量的进行相加得到的和，也就是类别c 的第二数值，最后，分别将类别a、b、c第二数值除以与其对应的第一数值得到每个类别的平均特征向量。
59.s102、将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量。
60.在本技术实施方式中，将样本图像输入到最新更新的图像识别模型中，得到分类器的输出结果，也就是分数向量。
61.其中，分数向量中包含每个类别的预测分数。
62.在本技术的实施方式中，在将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量之前，需要先对图像识别模型进行第一阶段的训练，首先，将样本图像输入到图像识别模型中进行模型训练，在训练后，确定最新更新的图像识别模型的准确率，若最新更新的图像识别模型的准确率大于等于预设准确值，就将最新更新的图像识别模型作为第一轮的训练结果；如果最新更新的图像识别模型的准确率小于预设准确值，则继续对最新更新的图像识别模型进行训练。
63.这里，每一次都需要对输入图像识别模型中的样本图像进行预处理，首先，将样本图像尺寸统一转换为448*448的尺寸，然后进行数据增强，即将样本图像以随机的概率进行水平或竖直翻转，再挖除样本图像随机位置随机大小的一部分，并将挖取的位置的像素置为0。
64.其中，反转和挖除处理的顺序可以互换，挖除的面积小于样本图像的 1/4，数据增强的目的是防止训练出的图像识别模型过拟合，也就是说，如果所有的样本图像中的男人都穿着蓝色的衣服，训练出来的图像识别模型就会机械的认为只要穿着蓝色的衣服就是男人，在增强处理后，就会有一部分的样本图像中不会让蓝色的衣服和男人同时出现，这样就减弱了图像识别模型过拟合的问题。
65.其中，每一个样本图像上都会标注样本图像对应的类别。
66.这里，在每一次训练结束后，将所有样本图像输入到最新更新的图像识别模型中，获取每一个样本图像对应的分类结果，将每一个样本图像的分类结果和与样本图像对应的类别进行对比，将所有样本图像的对比结果为相同的数量作为统计值，然后将统计值除以样本图像的个数，得到最新更新的图像识别模型的准确率。
67.例如，一共有3个样本图像，三个样本图像对应的类别为a、b、c，将三个样本图像均输入更新的图像识别模型中，得到的三个样本图像的分类结果为a、b、b，这其中两个样本图像的对比结果为相同，一个样本图像的对比结果为不同，那么，该最新更新的图像识别模型的准确为2/3。
68.在本技术实施方式中，对于步骤s101中的第一图像特征向量，是通过第一阶段训
练中任一次得到最新更新的图像识别模型得到的，也就是早期的图像识别模型得到的，因此计算的平均特征向量并不会存在上下文信息，也就是因果关系，也就不会对后面求得的无偏特征产生影响，得到的图像识别模型在执行图像识别任务时会更好的消除上下文偏移现象。
69.s103、针对每一张样本图像，根据所有类别的平均图像特征向量和样本图像对应的分数向量，确定样本图像对应的第二图像特征向量。
70.在本技术实施例中，将样本图像对应的分数向量进行非负处理，得到非负的分数向量；将非负的分数向量进行归一化处理，得到样本图像对应的概率权重向量；概率权重向量中包含每个类别的预测概率；将样本图像对应的概率权重向量、根据所有类别的平均图像特征向量组成的矩阵相乘，计算样本图像对应的第二图像特征向量。
71.其中，首先需要对分数向量中的数值进行非负处理，也就是将分数向量中负值处理成正值，然后，再将非负的分数向量进行归一化处理，也就是将分数向量中的每一个数值除以分数向量中所有数值的和后，得到样本图像对应的概率权重向量，最后将样本图像对应的概率权重向量和根据所有类别的平均图像特征向量组成的矩阵相乘，得到样本图像对应的第二图像特征向量，这里的第二图像特征向量即为样本图像的上下文偏移的图像特征向量。
72.其中，需要将所有类别的平均图像特征向量转化成类别数量
×
图像特征向量的维度数量的矩阵，然后将样本图像对应的概率权重向量和根据所有类别的平均图像特征向量组成的矩阵相乘，得到样本图像对应的第二图像特征向量。
73.这里，因为样本图像对应的概率权重向量中包含每个类别的预测概率，因此，样本图像对应的概率权重向量为1
×
类别数量的矩阵。
74.这里，只能将样本图像对应的概率权重向量和根据所有类别的平均图像特征向量组成的矩阵相乘，而不能将根据所有类别的平均图像特征向量组成的矩阵和样本图像对应的概率权重向量相乘，因为根据矩阵相乘法则，将1
×
类别数量的矩阵和类别数量
×
图像特征向量的维度数量的矩阵相乘，才可以得到1
×
图像特征向量的维度数量的矩阵，也就是说得到样本图像对应的第二图像特征向量是1
×
图像特征向量的维度数量的向量，这样才能使最后得到的目标特征向量为1
×
图像特征向量的维度数量的向量。
75.s104、将样本图像的图像特征向量减去与样本图像对应的第二图像特征向量，计算样本图像的第三图像特征向量。
76.这里，将每个样本图像的图像特征减去该样本图像的上下文的偏移的图像特征向量，即减去该样本图像的第二图像特征向量，就可得到该样本图像的无上下文偏移的图像特征向量。
77.s105、根据所有样本图像的第三图像特征向量及其类别，对最新更新的图像识别模型进行模型更新。
78.在本技术的实施方式中，在得到无上下文偏移的图像特征向量后，也就是第三图像特征向量，将无上下文偏移的图像特征向量输入到最新更新的图像识别模型中，对最新更新的图像识别模型进行模型更新。
79.本技术提供了一种图像识别模型的训练方法，通过第一阶段训练之后的图像识别模型，获取样本图像的分数向量，根据所有类别的平均图像特征向量和所述样本图像对应
的分数向量，得到包含各类别之间因果关系的第二图像特征向量，也就是存在上下文偏移的第二图像特征向量，在通过将样本图像的图像特征向量减去存在上下文偏移的第二图像特征向量，就可得到无上下文偏移的第三图像特征向量，然后通过无上下文偏移的第三图像特征向量对模型进行训练，这样得到的图像识别模型在执行图像识别任务时，就会消除上下文偏移现象。
80.参照图2所示，为本技术实施例提供的另一种图像识别模型的训练方法的流程示意图，下面对本技术实施例示例性的各步骤进行说明：
81.s201、确定最新更新的图像识别模型的准确率。
82.这里，确定最新更新的图像识别模型的准确率的方法与步骤s101中确定准确率的方法相同，这里不再赘述。
83.s202、若最新更新的图像识别模型的准确率大于上一轮更新的图像识别模型的准确率，则跳转到将所述样本图像输入到最新更新的图像识别模型中，得到所述样本图像对应的分数向量的步骤。
84.在本技术实施方式中，如果最新更新的图像识别模型的准确率大于上一轮更新的图像识别模型的准确率，则跳转到将所述样本图像输入到最新更新的图像识别模型中，得到所述样本图像对应的分数向量的步骤，也就是跳转到步骤s102。
85.这里，跳转到步骤s102后，所用到的所有类别的平均图像特征向量就是第一阶段的说求得的平均图像特征向量，因为所计算的平均图像特征向量是通过第一阶段的图像识别模型计算的，也就是早期的图像识别模型，早期的图像识别模型还没有通过多次训练得到太多的上下文信息，这样训练得到的图像识别模型会更好。
86.s203、若最新更新的图像识别模型的准确率小于等于上一轮更新的图像识别模型的准确率，将所述最新更新的图像识别模型确定为最终的图像识别模型。
87.在本技术实施方式中，步骤s202、步骤s203是为了确定图像识别模型是否已经收敛，也就是说，图像识别模型训练结束，判断图像识别模型训练结束的条件是判断最新更新的图像识别模型的准确率是否不在提高，如果最新更新的图像识别模型的准确率大于上一轮更新的图像识别模型的准确率，则跳转到将所述样本图像输入到最新更新的图像识别模型中，得到所述样本图像对应的分数向量的步骤。若最新更新的图像识别模型的准确率小于等于上一轮更新的图像识别模型的准确率，将所述最新更新的图像识别模型确定为最终的图像识别模型。
88.参照图3所示，为本技术实施例提供的一种图像识别模型的训练装置的示意图，该装置包括：
89.获取模块301，用于获取样本图像对应的第一图像特征向量；
90.计算模块302，用于根据所有样本图像对应的类别和图像特征向量，计算每个类别的平均图像特征向量；
91.输入模块303，用于将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量；分数向量中包含每个类别的预测分数；
92.确定模块304，用于针对每一张样本图像，根据所有类别的平均图像特征向量和样本图像对应的分数向量，确定样本图像对应的第二图像特征向量；
93.计算模块302，还用于将样本图像的图像特征向量减去与样本图像对应的第二图
像特征向量，计算样本图像的第三图像特征向量；
94.更新模块305，用于根据所有样本图像的第三图像特征向量及其类别，对最新更新的图像识别模型进行模型更新。
95.在一种可能的实施方式中，该装置还包括：跳转模块306；
96.确定模块304，还用于确定最新更新的图像识别模型的准确率；
97.跳转模块306，用于若最新更新的图像识别模型的准确率大于上一轮更新的图像识别模型的准确率，则跳转到将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量的步骤；
98.确定模块304，还用于若最新更新的图像识别模型的准确率小于等于上一轮更新的图像识别模型的准确率，将最新更新的图像识别模型确定为最终的图像识别模型。
99.在一种可能的实施方式中，获取模块301，具体用于将样本图像输入到最新更新的图像识别模型中，获取样本图像对应的第一图像特征向量。
100.在一种可能的实施方式中，计算模块302，具体用于针对每个类别，计算所有样本图像对应的类别中与类别相同的数量，得到类别的第一数值；将所有属于类别的样本图像的图像特征向量进行相加，计算类别的图像特征向量的和，得到第二数值；将类别对应的第二数值除以与其对应的第一数值，计算类别的平均图像特征向量。
101.在一种可能的实施方式中，确定模块304，具体用于将样本图像对应的分数向量进行非负处理，得到非负的分数向量；将非负的分数向量进行归一化处理，得到样本图像对应的概率权重向量；概率权重向量中包含每个类别的预测概率；将样本图像对应的概率权重向量和根据所有类别的平均图像特征向量组成的矩阵相乘，计算样本图像对应的第二图像特征向量。
102.本技术提供了一种图像识别模型的训练装置，该方法包括：获取模块301，用于获取样本图像对应的第一图像特征向量；计算模块302，用于根据所有样本图像对应的类别和图像特征向量，计算每个类别的平均图像特征向量；输入模块303，用于将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量；分数向量中包含每个类别的预测分数；确定模块304，用于针对每一张样本图像，根据所有类别的平均图像特征向量和样本图像对应的分数向量，确定样本图像对应的第二图像特征向量；计算模块302，还用于将样本图像的图像特征向量减去与样本图像对应的第二图像特征向量，计算样本图像的第三图像特征向量；更新模块305，用于根据所有样本图像的第三图像特征向量及其类别，对最新更新的图像识别模型进行模型更新。本技术通过计算每个类别的平均图像特征向量和分数向量，得到第二图像特征，再用样本图像的第一图像特征向量减去第二图像特征向量，得到第三图像特征向量，能够消除干扰识别结果的图像特征，也就是上下文偏移现象。
103.如图4所示，本技术实施例提供的一种电子设备400，包括：处理器 401、存储器402和总线，存储器402存储有处理器401可执行的机器可读指令，当电子设备运行时，处理器401与所述存储器402之间通过总线通信，处理器401执行所述机器可读指令，以执行如上述图像识别模型的训练方法的步骤。
104.具体地，上述存储器402和处理器401能够为通用的存储器和处理器，这里不做具体限定，当处理器401运行存储器402存储的计算机程序时，能够执行上述图像识别模型的训练方法。
105.对应于上述图像识别模型的训练方法，本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述图像识别模型的训练方法的步骤。
106.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本技术中不再赘述。在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
107.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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单元来实现本实施例方案的目的。
108.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
109.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述信息处理方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
110.以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。