半监督目标检测模型训练方法、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，具体涉及图像处理、计算机视觉和深度学习等技术领域，尤其涉及智慧城市、智能交通等场景。


背景技术：

2.半监督目标检测技术可以利用少量标注数据和大量无标注数据完成模型训练，避免大量高成本的标注工作。
3.目前，半监督目标检测技术通常是通过教师模型对大量无标注数据生成伪标签，再利用少量标注数据与大量带伪标签的无标注数据对学生模型进行训练。


技术实现要素：

4.本公开实施例提出了一种半监督目标检测模型训练方法、装置、设备、存储介质以及程序产品。
5.第一方面，本公开实施例提出了一种半监督目标检测模型训练方法，包括：利用有标签样本图像分别对第一教师模型和第一学生模型进行有监督训练，得到第二教师模型和第二学生模型；利用第二教师模型对无标签样本图像进行预测，得到候选框集合；对候选框集合进行扰动鲁棒性过滤，得到目标框集合；将目标框集合作为伪标签对第二学生模型进行训练，得到第三学生模型。
6.第二方面，本公开实施例提出了一种目标检测方法，包括：获取待检测图像；将待检测图像输入至半监督目标检测模型，得到待检测图像的目标检测结果，其中，半监督目标检测模型是采用第一方面所述的方法训练得到的。第三方面，本公开实施例提出了一种半监督目标检测模型训练装置，包括：第一训练模块，被配置成利用有标签样本图像分别对第一教师模型和第一学生模型进行有监督训练，得到第二教师模型和第二学生模型；预测模块，被配置成利用第二教师模型对无标签样本图像进行预测，得到候选框集合；第一过滤模块，被配置成对候选框集合进行扰动鲁棒性过滤，得到目标框集合；第二训练模块，被配置成将无标签样本图像作为输入，将目标框集合作为伪标签，对第二学生模型进行训练，得到第三学生模型。
7.第四方面，本公开实施例提出了一种目标检测装置，包括：获取模块，被配置成获取待检测图像；检测模块，被配置成将待检测图像输入至半监督目标检测模型，得到待检测图像的目标检测结果，其中，半监督目标检测模型是采用第三方面所述的装置训练得到的。
8.第五方面，本公开实施例提出了一种电子设备，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或第二方面中任一实现方式描述的方法。
9.第六方面，本公开实施例提出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或第二方面中
任一实现方式描述的方法。
10.第七方面，本公开实施例提出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或第二方面中任一实现方式描述的方法。
11.本公开实施例提供的半监督目标检测模型训练方法，基于扰动鲁棒性筛选策略对无标签样本图像的候选框集合进行过滤，将过滤得到的目标框集合作为伪标签提供给学生模型进行训练，可以避免引入噪声伪标签，提高伪标签的质量，从而提升学生模型的效果。
12.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
13.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开的半监督目标检测模型训练方法的一个实施例的流程图；
15.图2是根据本公开的半监督目标检测模型训练方法的又一个实施例的流程图；
16.图3是根据本公开的半监督目标检测模型训练方法的另一个实施例的流程图；
17.图4是根据本公开的目标检测方法的一个实施例的流程图；
18.图5是根据本公开的半监督目标检测模型训练装置的一个实施例的结构示意图；
19.图6是根据本公开的目标检测装置的一个实施例的结构示意图；
20.图7是用来实现本公开实施例的半监督目标检测模型训练方法的电子设备的框图。
具体实施方式
21.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。
22.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。
23.图1示出了根据本公开的半监督目标检测模型训练方法的一个实施例的流程100。该半监督目标检测模型训练方法包括以下步骤：
24.步骤101，利用有标签样本图像分别对第一教师模型和第一学生模型进行有监督训练，得到第二教师模型和第二学生模型。
25.在本实施例中，半监督目标检测模型训练方法的执行主体可以利用少量有标签样本图像ds＝{i1,i2,
…im
}分别对第一教师模型m
t1
和第一学生模型m
s1
进行有监督训练，得到第二教师模型m
t2
和第二学生模型m
s2
。
26.通常，将有标签样本图像ds＝{i1，i2，
…im
}中的图像作为输入，将有标签样本图像ds＝{i1，i2，
…im
}中对应的标签作为监督，分别对第一教师模型m
t1
和第一学生模型m
s1
进行
训练，即可得到第二教师模型m
t2
和第二学生模型m
s2
。其中，有标签样本图像ds＝{i1，i2，
…im
}包括m(m为正整数)张有标签样本图像，i1、i1和im均是一张有标签样本图像，通常是通过人工标注得到的。第一教师模型m
t1
可以是未经训练的教师模型，其参数可以是初始化的参数。第一学生模型m
s1
可以是未经训练的学生模型，其参数可以是初始化的参数。第二教师模型m
t2
可以是训练完成的教师模型，其参数可以是模型最终的参数。第二学生模型m
s2
可以是预热训练完成的学生模型，后续还需要进一步训练，其参数可以是模型中间的参数，后续还需要进一步调整。
27.步骤102，利用第二教师模型对无标签样本图像进行预测，得到候选框集合。
28.在本实施例中，上述执行主体可以利用第二教师模型m
t2
对无标签样本图像du＝{i
′1，i
′2，
…i′n}进行预测，得到候选框集合b＝{b1，b2，
…
，bn}。
29.通常，将无标签样本图像du＝{i
′1，i
′2，
…i′n}输入至第二教师模型m
t2
，即可输出候选框集合b＝{b1，b2，
…
，bn}。其中，无标签样本图像du＝{i
′1，i
′2，
…i′n}包括n(n为正整数，n＞＞m)张无标签样本图像，i
′1、i
′2和i
′n均是一张无标签样本图像。b1是无标签样本图像i
′1的候选框集合，b2是无标签样本图像i
′2的候选框集合，bn是无标签样本图像i
′n的候选框集合。将无标签样本图像i
′n输入至二教师模型m
t2
进行预测，可以得到无标签样本图像i
′n上的u(u为正整数)个候选框组成的候选框集合bn＝{b1，b2，...，bu}，bu是第u个候选框。候选框集合bn＝{b1，b2，...，bu}中的每个候选框都具有包含的目标的位置信息(x，y，w，h)、包含目标的置信度s和类别概率分布p＝[p(1)，p(2)，
…
，p(c)]等。预先设置c(c为正整数)个类别，p(1)是候选框包含的目标属于第一个类别的概率，p(2)是候选框包含的目标属于第二个类别的概率，p(c)是候选框包含的目标属于第c个类别的概率。
[0030]
步骤103，对候选框集合进行扰动鲁棒性过滤，得到目标框集合。
[0031]
在本实施例中，上述执行主体可以对候选框集合b＝{b1，b2，
…
，bn}进行扰动鲁棒性过滤，得到目标框集合b
′
＝{b
′1，b
′2，
…
，b
′n}。其中，b
′1是候选框集合b1对应的候选框集合，b
′2是候选框集合b2对应的候选框集合，b
′n是候选框集合bn对应的候选框集合。
[0032]
通常，对候选框集合bn进行扰动鲁棒性过滤，可以得到目标框集合b
′n。例如，首先，对候选框集合bn进行两组扰动，得到候选框集合和候选框集合其中，扰动可以包括但不限于随机裁剪、翻转、缩放、选择、颜色扰动等。一组扰动可以是至少一种扰动的随机组合。之后，计算候选框集合与候选框集合中的候选框间的iou(intersection over union，交并比)。然后，选取具有最大iou的两个候选框的类别概率分布计算相对熵。其中，相对熵又被称为kl散度，是两个概率分布间差异的非对称性度量。最后，过滤掉相对熵小于预设相对熵阈值τ
kl
的候选框，即可得到目标框集合b
′n。其中，相对熵的值越小，表示两个候选框的类别概率分布的相似性较高，从而表示在不同扰动下，教师模型对同一张无标签样本图像的预测可信性越高。
[0033]
步骤104，将无标签样本图像作为输入，将目标框集合作为伪标签，对第二学生模型进行训练，得到第三学生模型。
[0034]
在本实施例中，上述执行主体可以将无标签样本图像d，，＝{i
′1，i
′2，
…i′n}作为输入，将目标框集合b
′
＝{b
′1，b
′2，
…
，b
′n}作为伪标签，对第二学生模型m
s2
进行训练，得到第三学生模型m
s3
。
[0035]
通常，将无标签样本图像du＝{i
′1，i
′2，
…i′n}输入至第二学生模型m
s2
，可以输出预测目标框集合。基于预测目标框集合和目标框集合b
′
＝{b
′1，b
′2，
…
，b
′n}，可以计算损失函数。基于损失函数，可以通过梯度传播去更新第二生模型m
s2
的参数，来降低损失函数的值，直至模型收敛，即可得到第三学生模型m
s3
。其中，第三学生模型m
s3
可以是训练完成的学生模型，可以用于目标检测。
[0036]
本公开实施例提供的半监督目标检测模型训练方法，基于扰动鲁棒性筛选策略对无标签样本图像的候选框集合进行过滤，将过滤得到的目标框集合作为伪标签提供给学生模型进行训练，可以避免引入噪声伪标签，提高伪标签的质量，从而提升学生模型的效果。
[0037]
继续参考图2，其示出了根据本公开的半监督目标检测模型训练方法的又一个实施例的流程200。该半监督目标检测模型训练方法包括以下步骤：
[0038]
步骤201，利用有标签样本图像分别对第一教师模型和第一学生模型进行有监督训练，得到第二教师模型和第二学生模型。
[0039]
步骤202，利用第二教师模型对无标签样本图像进行预测，得到候选框集合。
[0040]
在本实施例中，步骤201-202的具体操作已在图1所示的实施例中步骤101-102中进行了详细的介绍，在此不再赘述。
[0041]
步骤203，根据预设置信度阈值对候选框集合进行过滤。
[0042]
在本实施例中，半监督目标检测模型训练方法的执行主体可以根据预设置信度阈值τs对候选框集合b＝{b1,b2,
…
,bn}进行过滤，只保留置信度s大于τs的候选框，从而保证最终筛选出的伪标签均是高置信度的数据。
[0043]
步骤204，对候选框集合进行扰动鲁棒性过滤，得到目标框集合。
[0044]
步骤205，将无标签样本图像作为输入，将目标框集合作为伪标签，对第二学生模型进行训练，得到第三学生模型。
[0045]
在本实施例中，步骤204-205的具体操作已在图1所示的实施例中步骤103-104中进行了详细的介绍，在此不再赘述。
[0046]
从图2中可以看出，与图1对应的实施例相比，本实施例中的半监督目标检测模型训练方法的流程200增加了置信度过滤步骤。由此，本实施例描述的方案基于候选框置信度筛选策略和扰动鲁棒性筛选策略对无标签样本图像的候选框集合进行过滤，将过滤得到的目标框集合作为伪标签提供给学生模型进行训练。通过置信度筛选与扰动鲁棒性筛选两种策略的结合，提高了伪标签的质量和准确性，从而进一步提升学生模型的效果。
[0047]
继续参考图3，其示出了根据本公开的半监督目标检测模型训练方法的另一个实施例的流程300。该半监督目标检测模型训练方法包括以下步骤：
[0048]
步骤301，利用有标签样本图像分别对第一教师模型和第一学生模型进行有监督训练，得到第二教师模型和第二学生模型。
[0049]
在本实施例中，步骤201的具体操作已在图1所示的实施例中步骤101中进行了详细的介绍，在此不再赘述。
[0050]
步骤302，对无标签样本图像进行至少两组扰动，得到至少两组扰动图像。
[0051]
在本实施例中，半监督目标检测模型训练方法的执行主体可以对无标签样本图像du＝{i
′1,i
′2,
…i′n}进行至少两组扰动，得到至少两组扰动图像。
[0052]
例如，对无标签样本图像i
′n进行两组扰动，得到扰动图像和扰动图像其
中，扰动可以包括但不限于随机裁剪、翻转、缩放、选择、颜色扰动等。一组扰动可以是至少一种扰动的随机组合。
[0053]
步骤303，将至少两组扰动图像输入至第二教师模型进行伪标签预测，得到至少两组候选框集合。
[0054]
在本实施例中，上述执行主体可以将至少两组扰动图像输入至第二教师模型m
t2
进行伪标签预测，得到至少两组候选框集合。
[0055]
例如，将扰动图像和扰动图像输入至第二教师模型m
t2
进行伪标签预测，得到候选框集合和候选框集合
[0056]
步骤304，根据预设置信度阈值对至少两组候选框集合进行过滤。
[0057]
在本实施例中，上述执行主体可以根据预设置信度阈值对至少两组候选框集合进行过滤。
[0058]
例如，根据预设置信度阈值τs对候选框集合和候选框集合进行过滤，只保留置信度s大于τs的候选框，从而保证最终筛选出的伪标签均是高置信度的数据。此时，候选框集合为(i为正整数，i《n)和(j为正整数，j《n)。候选框集合包括i个候选框，是其第i个候选框。候选框集合是其第i个候选框。候选框集合包括j个候选框，是其第j个候选框。
[0059]
步骤305，计算至少两组候选框集合中的候选框间的交并比。
[0060]
在本实施例中，上述执行主体可以计算至少两组候选框集合中的候选框间的iou。
[0061]
例如，计算候选框集合与候选框集合与候选框集合中的候选框间的iou。
[0062]
步骤306，对交并比满足预设条件的候选框的类别概率分布计算相对熵。
[0063]
在本实施例中，上述执行主体可以对交并比满足预设条件的候选框的类别概率分布计算相对熵。
[0064]
通常，预设条件可以包括但不限于iou最大、iou大于预设iou阈值等等。例如，若候选框集合中的候选框和第候选框集合中的候选框具有最大iou，则进一步根据候选框和候选框二者对应的类别概率分布计算相对熵。其中，相对熵计算公式如下：
[0065][0066]
其中，是类别概率分布和类别概率分布的相对熵，候选框的类别概率分布为候选框的类别概率分布为
[0067]
步骤307，根据预设相对熵阈值对至少两组候选框集合进行过滤，得到目标框集合。
[0068]
在本实施例中，上述执行主体可以根据预设相对熵阈值τ
kl
对至少两组候选框集合进行过滤，得到目标框集合。
[0069]
例如，过滤掉候选框集合与候选框集合与候选框集合中相对熵小于预设相对熵阈值τ
kl
的候选框，即可得到目标框集合b
′n。其中，相对熵的值越小，表示两个候选框的类别概率分布的相似性较高，从而表示在不同扰动下，教师模型对同一张无标签样本图像的预测可信性越高。
[0070]
步骤308，将无标签样本图像作为输入，将目标框集合作为伪标签，对第二学生模型进行训练，得到第三学生模型。
[0071]
在本实施例中，步骤308的具体操作已在图1所示的实施例中步骤104中进行了详细的介绍，在此不再赘述。
[0072]
从图3中可以看出，与图1对应的实施例相比，本实施例中的半监督目标检测模型训练方法的流程300突出了置信度过滤步骤和扰动鲁棒性过滤步骤。由此，本实施例描述的方案在保留置信度筛选策略的基础上，通过对输入的无标签数据引入不同程度的扰动，并进一步计算不同扰动下类别概率分布的相似性来筛选伪标签，提供给学生模型进行训练，可以在避免大量标注成本的情况下进一步提高学生模型的效果。
[0073]
图4示出了根据本公开的目标检测方法的一个实施例的流程400。该目标检测方法包括以下步骤：
[0074]
步骤401，获取待检测图像。
[0075]
在本实施例中，目标检测方法的执行主体可以获取待检测图像。其中，待检测图像可以是通过摄像头采集的需要进行目标检测的图像。通常，待检测图像上存在多种目标，包括但不限于人物、动物、植物、物品等等。例如，在智慧城市的智能交通场景中，待检测图像可以是在信号灯路口采集到的图像，其上存在信号灯、车辆、行人等等。
[0076]
步骤402，将待检测图像输入至半监督目标检测模型，得到待检测图像的目标检测结果。
[0077]
在本实施例中，上述执行主体可以将待检测图像输入至半监督目标检测模型，得到待检测图像的目标检测结果。其中，半监督目标检测模型可以是采用图1、图2或图3所示的半监督目标检测模型训练方法训练得到的，这里不再赘述。目标检测结果可以包括待检测图像上的目标的类别和位置。例如，在智慧城市的智能交通场景中，待检测图像的目标检测结果可以包括信号灯及信号灯位置、车辆及车辆位置、行人及行人位置等等。
[0078]
本公开实施例提供的目标检测方法，利用半监督目标检测模型进行目标检测。由于半监督目标检测模型基于扰动鲁棒性筛选策略进行训练，提升了模型效果，因此，利用半监督目标检测模型进行目标检测，提升了目标检测的准确度。
[0079]
以智慧城市的智能交通场景为例，在信号灯路口采集大量样本图像。对其中少部分样本图像进行人工标注，得到有标签样本图像。将剩余样本图像作为无标签样本图像。利用有标签样本图像和无标签样本图像，按照图1、图2或图3所示的半监督目标检测模型训练方法进行训练，得到半监督目标检测模型。随后，在信号灯路口采集待检测图像。将待检测
图像输入至半监督目标检测模型，得到目标检测结果。其中，目标检测结果可以包括信号灯及信号灯位置、车辆及车辆位置、行人及行人位置等等。基于目标检测结果进行交通管理，可以有效缓解信号灯路口拥堵等现象。
[0080]
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种半监督目标检测模型训练装置的一个实施例，该装置实施例与图1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。
[0081]
如图5所示，本实施例的半监督目标检测模型训练装置500可以包括：第一训练模块501、预测模块502、第一过滤模块503和第二训练模块504。其中，第一训练模块501，被配置成利用有标签样本图像分别对第一教师模型和第一学生模型进行有监督训练，得到第二教师模型和第二学生模型；预测模块502，被配置成利用第二教师模型对无标签样本图像进行预测，得到候选框集合；第一过滤模块503，被配置成对候选框集合进行扰动鲁棒性过滤，得到目标框集合；第二训练模块504，被配置成将无标签样本图像作为输入，将目标框集合作为伪标签，对第二学生模型进行训练，得到第三学生模型。
[0082]
在本实施例中，半监督目标检测模型训练装置500中：第一训练模块501、预测模块502、第一过滤模块503和第二训练模块504的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-104的相关说明，在此不再赘述。
[0083]
在本实施例的一些可选的实现方式中，半监督目标检测模型训练装置500还包括：第二过滤模块，被配置成根据预设置信度阈值对候选框集合进行过滤。
[0084]
在本实施例的一些可选的实现方式中，候选框集合中的候选框具有位置信息、置信度和类别概率分布。
[0085]
在本实施例的一些可选的实现方式中，预测模块502包括：扰动子模块，被配置成对无标签样本图像进行至少两组扰动，得到至少两组扰动图像；预测子模块，被配置成将至少两组扰动图像输入至第二教师模型进行预测，得到至少两组候选框集合；以及第一过滤模块503包括：第一计算子模块，被配置成计算至少两组候选框集合中的候选框间的交并比；第二计算子模块，被配置成对交并比满足预设条件的候选框的类别概率分布计算相对熵；第一过滤子模块，被配置成根据预设相对熵阈值对至少两组候选框集合进行过滤，得到目标框集合。
[0086]
在本实施例的一些可选的实现方式中，第一过滤模块503还包括：第二过滤子模块，被配置成根据预设置信度阈值对至少两组候选框集合进行过滤。
[0087]
在本实施例的一些可选的实现方式中，一组扰动由随机裁剪、翻转、缩放、选择、颜色扰动中的至少一种随机组合。
[0088]
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检测装置的一个实施例，该装置实施例与图4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。
[0089]
如图6所示，本实施例的目标检测装置600可以包括：获取模块601和检测模块602。其中，获取模块601，被配置成获取待检测图像；检测模块602，被配置成将待检测图像输入至半监督目标检测模型，得到待检测图像的目标检测结果，其中，半监督目标检测模型是采用如图5所示的装置训练得到的。
[0090]
在本实施例中，目标检测装置600中：获取模块601和检测模块602的具体处理及其
所带来的技术效果可分别参考图4对应实施例中的步骤401-402的相关说明，在此不再赘述。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。
[0091]
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。
[0092]
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。
[0093]
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。
[0094]
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。
[0095]
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，例如半监督目标检测模型训练方法或目标检测方法。例如，在一些实施例中，半监督目标检测模型训练方法或目标检测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半监督目标检测模型训练方法或目标检测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)而被配置为执行半监督目标检测模型训练方法或目标检测方法。
[0096]
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)、负载可编程逻辑设备(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。
[0097]
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。
[0098]
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。
[0099]
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。
[0100]
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。
[0101]
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，也可以是分布式系统的服务器，或者是结合了区块链的服务器。
[0102]
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提供的技术方案所期望的结果，本文在此不进行限制。
[0103]
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。