图像的特征提取方法及装置、电子设备和存储介质

技术领域

本公开涉及图像处理技术领域，尤其涉及一种图像的特征提取方法及装置、电子设备和存储介质。

背景技术

对象(例如人、动物或者物体)重识别是一项富有挑战性的计算机视觉任务。大规模的移动对象的检测、移动轨迹的还原、动态追踪、智能城市等AI(ArtificialIntelligence，人工智能)应用均需要以对象重识别技术作为基础。在对象重识别中，对对象的图像所提取的特征的准确性将影响对象重识别的准确性。因此，在对象重识别中，提高对对象的图像进行特征提取的准确性具有重要意义。

发明内容

本公开提供了一种图像的特征提取技术方案。

根据本公开的一方面，提供了一种图像的特征提取方法，包括：

获取待处理图像；

将所述待处理图像输入预先训练的神经网络，经由所述神经网络对所述待处理图像进行特征提取，得到所述待处理图像的特征，其中，在所述神经网络的第t代训练中，所述神经网络是根据训练图像集的第t代的调整后的伪标签训练的，所述训练图像集的第t代的调整后的伪标签是基于所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到的，t为大于或等于2的整数。

通过获取待处理图像，并将所述待处理图像输入预先训练的神经网络，经由所述神经网络对所述待处理图像进行特征提取，得到所述待处理图像的特征，其中，在所述神经网络的第t代训练中，所述神经网络是根据训练图像集的第t代的调整后的伪标签训练的，所述训练图像集的第t代的调整后的伪标签是基于所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到的，由此在当前阶段所述神经网络进行训练时，能够利用所述训练图像集的历史标签信息对当前阶段产生的伪标签进行调整，由此得到的调整后的伪标签具有更加丰富的监督信息，从而能够使所述神经网络学习到更准确地对图像进行特征提取的能力。采用由此训练得到的所述神经网络对图像进行特征提取，有助于提高对图像所提取的特征的准确性。基于由此提取的图像特征进行重识别，能够提高重识别的准确性。

在一种可能的实现方式中，在所述将所述待处理图像输入预先训练的神经网络之前，所述方法还包括：

在所述神经网络的第t代训练中，通过所述神经网络提取所述训练图像集的第t代特征；

通过所述神经网络基于所述训练图像集的第t代特征，得到所述训练图像集的第t代的预测标签；

根据所述训练图像集的第t代之前的至少一代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签；

根据所述训练图像集的第t代的预测标签和所述训练图像集的第t代的调整后的伪标签，训练所述神经网络。

在该实现方式中，通过在所述神经网络的第t代训练中，通过所述神经网络提取所述训练图像集的第t代特征，通过所述神经网络基于所述训练图像集的第t代特征，得到所述训练图像集的第t代的预测标签，根据所述训练图像集的第t代之前的至少一代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，并根据所述训练图像集的第t代的预测标签和所述训练图像集的第t代的调整后的伪标签，训练所述神经网络，由此能够利用所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到用于监督所述神经网络的第t代训练的所述训练图像集的第t代的调整后的伪标签，由此训练得到的所述神经网络能够学习到更准确地对图像进行特征提取的能力。

在一种可能的实现方式中，所述根据所述训练图像集的第t代之前的至少一代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：

根据所述训练图像集的第t代特征，确定所述训练图像集的第t代的伪标签；

根据所述训练图像集的第t-1代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在该实现方式中，通过根据所述训练图像集的第t代特征，确定所述训练图像集的第t代的伪标签，并根据所述训练图像集的第t-1代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，由此基于经过t-1代训练进行参数更新后的所述神经网络提取的特征，进行所述训练图像集的第t代的伪标签的确定，并基于与所述第t代最接近的第t-1代的标签对所述训练图像集的第t代的伪标签进行调整进而确定所述训练图像集的第t代的调整后的伪标签，从而能够提高所述神经网络的训练效果。

在一种可能的实现方式中，所述根据所述训练图像集的第t-1代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：

根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在该实现方式中，通过根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代对应的历史标签，由此在所述神经网络的训练中，根据相邻代的伪标签之间的相关度，对所述训练图像集的历史标签进行传播，从而对当前阶段的伪标签进行调整，使得调整后的伪标签具有更加丰富的监督信息，从而能够提高神经网络进行图像特征提取的性能。

在一种可能的实现方式中，在所述根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签之前，所述方法还包括：

根据所述训练图像集的第t-1代的伪标签对应的训练图像子集，以及所述训练图像集的第t代的伪标签对应的训练图像子集，确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度。

在该实现方式中，通过根据所述训练图像集的第t-1代的伪标签对应的训练图像子集，以及所述训练图像集的第t代的伪标签对应的训练图像子集，确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，并根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代的历史标签，由此在所述神经网络的训练中，根据相邻代的伪标签对应的训练图像子集之间的关系，对所述训练图像集的历史标签进行传播，从而对当前阶段的伪标签进行调整，使得调整后的伪标签具有更加丰富的监督信息，从而能够提高神经网络进行图像特征提取的性能。

在一种可能的实现方式中，所述根据所述训练图像集的第t-1代的伪标签对应的训练图像子集，以及所述训练图像集的第t代的伪标签对应的训练图像子集，确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，包括：

在所述训练图像集中，确定第t-1代的第一伪标签对应的第一训练图像子集，其中，所述第一伪标签表示第t-1代的任意一个伪标签；

在所述训练图像集中，确定第t代的第二伪标签对应的第二训练图像子集，其中，所述第二伪标签表示第t代的任意一个伪标签；

根据所述第一训练图像子集和所述第二训练图像子集，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。

在该实现方式中，通过在所述训练图像集中，分别确定第t-1代的第一伪标签对应的第一训练图像子集和第t代的第二伪标签对应的第二训练图像子集，并根据所述第一训练图像子集和所述第二训练图像子集，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，由此基于所述神经网络的每代训练采用同一个训练图像集的特点，利用相邻代的训练图像子集之间的相关度确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，从而能够准确地确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度。

在一种可能的实现方式中，所述根据所述第一训练图像子集和所述第二训练图像子集，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，包括：

确定所述第一训练图像子集与所述第二训练图像子集的交集中的训练图像的第一数量；

确定所述第一训练图像子集与所述第二训练图像子集的并集中的训练图像的第二数量；

根据所述第一数量与所述第二数量的比值，确定所述第一训练图像子集与所述第二训练图像子集的第一交并比；

根据所述第一交并比，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。

在该实现方式中，通过确定所述第一训练图像子集与所述第二训练图像子集的第一交并比，并根据所述第一交并比，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，由此能够提高所确定的所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度的准确性。

在一种可能的实现方式中，所述根据所述第一交并比，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，包括：

对于第t代的M个伪标签中的任一伪标签，在所述训练图像集中，确定所述伪标签对应的第三训练图像子集，其中，M为大于1的整数；

对于M个第三训练图像子集中的任一第三训练图像子集，确定所述第一训练图像子集与所述第三训练图像子集的第二交并比；

确定M个第二交并比的和值；

将所述第一交并比与所述和值的比值，确定为第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。

在该实现方式中，通过对于第t代的M个伪标签中的任一伪标签，在所述训练图像集中，确定所述伪标签对应的第三训练图像子集，对于M个第三训练图像子集中的任一第三训练图像子集，确定所述第一训练图像子集与所述第三训练图像子集的第二交并比，并将所述第一交并比与所述和值的比值，确定为第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，由此能够得到归一化的相关度。基于由此确定的第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度训练所述神经网络，有助于提高所述神经网络的训练效率。

在一种可能的实现方式中，所述训练图像集的第t-1代的标签包括所述训练图像集的第t-1代的预测软标签；

所述根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：

根据所述训练图像集的第t-1代的预测软标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在该实现方式中，通过据所述训练图像集的第t-1代的预测软标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，由此能够利用更丰富的历史标签信息确定所述训练图像集的第t代的调整后的伪标签，从而有助于进一步降低用于对所述神经网络的第t代训练进行监督的伪标签的噪声。

在一种可能的实现方式中，所述训练图像集的第t-1代的标签包括所述训练图像集的第t-1代的伪标签；

所述根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：

根据所述训练图像集的第t-1代的伪标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在该实现方式中，通过根据所述训练图像集的第t-1代的伪标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，由此有助于降低确定所述训练图像集的第t代的调整后的伪标签的计算量。

在一种可能的实现方式中，所述根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：

根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代的历史标签；

根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，确定所述训练图像集的第t代的调整后的伪标签。

在该实现方式中，通过根据所述训练图像集的第t-1代的标签，确定所述训练图像集的第t代的历史标签，并根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，确定所述训练图像集的第t代的调整后的伪标签，由此能够有效利用所述训练图像集的历史标签信息进行所述神经网络的当前阶段的训练。

在一种可能的实现方式中，所述根据所述训练图像集的第t代特征，确定所述训练图像集的第t代的伪标签，包括：

根据所述训练图像集的第t代特征，对所述训练图像集中的训练图像进行聚类，得到所述训练图像集的第t代的伪标签。

在该实现方式中，通过根据所述训练图像集的第t代特征，对所述训练图像集中的训练图像进行聚类，得到所述训练图像集的第t代的伪标签，由此能够提高基于无监督学习的所述神经网络的性能。

在一种可能的实现方式中，在所述得到所述待处理图像的特征之后，所述方法还包括：

将所述待处理图像的特征与至少一个待匹配对象的特征进行匹配；

响应于所述待处理图像的特征与所述至少一个待匹配对象中的任意一个待匹配对象的特征相匹配，将所述待匹配对象的标识信息作为所述待处理图像中的对象的标识信息。

该实现方式通过将所述待处理图像的特征与至少一个待匹配对象的特征进行匹配，并响应于所述待处理图像的特征与所述至少一个待匹配对象中的任意一个待匹配对象的特征相匹配，将所述待匹配对象的标识信息作为所述待处理图像中的对象的标识信息，由此能够提高对象重识别的准确度。

根据本公开的一方面，提供了一种图像的特征提取装置，包括：

获取模块，用于获取待处理图像；

特征提取模块，用于将所述待处理图像输入预先训练的神经网络，经由所述神经网络对所述待处理图像进行特征提取，得到所述待处理图像的特征，其中，在所述神经网络的第t代训练中，所述神经网络是根据训练图像集的第t代的调整后的伪标签训练的，所述训练图像集的第t代的调整后的伪标签是基于所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到的，t为大于或等于2的整数。

在一种可能的实现方式中，所述装置还包括：

提取模块，用于在所述神经网络的第t代训练中，通过所述神经网络提取所述训练图像集的第t代特征；

预测模块，用于通过所述神经网络基于所述训练图像集的第t代特征，得到所述训练图像集的第t代的预测标签；

调整模块，用于根据所述训练图像集的第t代之前的至少一代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签；

训练模块，用于根据所述训练图像集的第t代的预测标签和所述训练图像集的第t代的调整后的伪标签，训练所述神经网络。

在一种可能的实现方式中，所述调整模块用于：

根据所述训练图像集的第t代特征，确定所述训练图像集的第t代的伪标签；

根据所述训练图像集的第t-1代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在一种可能的实现方式中，所述调整模块用于：

根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在一种可能的实现方式中，所述装置还包括：

第一确定模块，用于根据所述训练图像集的第t-1代的伪标签对应的训练图像子集，以及所述训练图像集的第t代的伪标签对应的训练图像子集，确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度。

在一种可能的实现方式中，所述第一确定模块用于：

在所述训练图像集中，确定第t-1代的第一伪标签对应的第一训练图像子集，其中，所述第一伪标签表示第t-1代的任意一个伪标签；

在所述训练图像集中，确定第t代的第二伪标签对应的第二训练图像子集，其中，所述第二伪标签表示第t代的任意一个伪标签；

根据所述第一训练图像子集和所述第二训练图像子集，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。

在一种可能的实现方式中，所述第一确定模块用于：

确定所述第一训练图像子集与所述第二训练图像子集的交集中的训练图像的第一数量；

确定所述第一训练图像子集与所述第二训练图像子集的并集中的训练图像的第二数量；

根据所述第一数量与所述第二数量的比值，确定所述第一训练图像子集与所述第二训练图像子集的第一交并比；

根据所述第一交并比，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。

在一种可能的实现方式中，所述第一确定模块用于：

对于第t代的M个伪标签中的任一伪标签，在所述训练图像集中，确定所述伪标签对应的第三训练图像子集，其中，M为大于1的整数；

对于M个第三训练图像子集中的任一第三训练图像子集，确定所述第一训练图像子集与所述第三训练图像子集的第二交并比；

确定M个第二交并比的和值；

将所述第一交并比与所述和值的比值，确定为第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。

在一种可能的实现方式中，所述训练图像集的第t-1代的标签包括所述训练图像集的第t-1代的预测软标签；

所述调整模块用于：

根据所述训练图像集的第t-1代的预测软标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在一种可能的实现方式中，所述训练图像集的第t-1代的标签包括所述训练图像集的第t-1代的伪标签；

所述调整模块用于：

根据所述训练图像集的第t-1代的伪标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在一种可能的实现方式中，所述调整模块用于：

根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代的历史标签；

根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，确定所述训练图像集的第t代的调整后的伪标签。

在一种可能的实现方式中，所述调整模块用于：

根据所述训练图像集的第t代特征，对所述训练图像集中的训练图像进行聚类，得到所述训练图像集的第t代的伪标签。

在一种可能的实现方式中，所述装置还包括：

匹配模块，用于将所述待处理图像的特征与至少一个待匹配对象的特征进行匹配；

第二确定模块，用于响应于所述待处理图像的特征与所述至少一个待匹配对象中的任意一个待匹配对象的特征相匹配，将所述待匹配对象的标识信息作为所述待处理图像中的对象的标识信息。

根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

在本公开实施例中，通过获取待处理图像，并将所述待处理图像输入预先训练的神经网络，经由所述神经网络对所述待处理图像进行特征提取，得到所述待处理图像的特征，其中，在所述神经网络的第t代训练中，所述神经网络是根据训练图像集的第t代的调整后的伪标签训练的，所述训练图像集的第t代的调整后的伪标签是基于所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到的，由此在当前阶段所述神经网络进行训练时，能够利用所述训练图像集的历史标签信息对当前阶段产生的伪标签进行调整，由此得到的调整后的伪标签具有更加丰富的监督信息，从而能够使所述神经网络学习到更准确地对图像进行特征提取的能力。采用由此训练得到的所述神经网络对图像进行特征提取，有助于提高对图像所提取的特征的准确性。基于由此提取的图像特征进行重识别，能够提高重识别的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出本公开实施例提供的图像的特征提取方法的流程图。

图2示出本公开实施例提供的图像的特征提取方法中神经网络的训练方法的一示意图。

图3示出本公开实施例提供的图像的特征提取方法中神经网络的训练方法的另一示意图。

图4示出本公开实施例提供的图像的特征提取装置的框图。

图5示出本公开实施例提供的一种电子设备800的框图。

图6示出本公开实施例提供的一种电子设备1900的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

在本公开实施例中，通过获取待处理图像，并将所述待处理图像输入预先训练的神经网络，经由所述神经网络对所述待处理图像进行特征提取，得到所述待处理图像的特征，其中，在所述神经网络的第t代训练中，所述神经网络是根据训练图像集的第t代的调整后的伪标签训练的，所述训练图像集的第t代的调整后的伪标签是基于所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到的，由此在当前阶段所述神经网络进行训练时，能够利用所述训练图像集的历史标签信息对当前阶段产生的伪标签进行调整，由此得到的调整后的伪标签具有更加丰富的监督信息，从而能够使所述神经网络学习到更准确地对图像进行特征提取的能力。采用由此训练得到的所述神经网络对图像进行特征提取，有助于提高对图像所提取的特征的准确性。基于由此提取的图像特征进行重识别，能够提高重识别的准确性。

下面结合附图对本公开实施例提供的图像的特征提取方法进行详细的说明。图1示出本公开实施例提供的图像的特征提取方法的流程图。在一种可能的实现方式中，所述图像的特征提取方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述图像的特征提取方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，所述图像的特征提取方法包括步骤S11至步骤S12。

在步骤S11中，获取待处理图像。

在步骤S12中，将所述待处理图像输入预先训练的神经网络，经由所述神经网络对所述待处理图像进行特征提取，得到所述待处理图像的特征，其中，在所述神经网络的第t代训练中，所述神经网络是根据训练图像集的第t代的调整后的伪标签训练的，所述训练图像集的第t代的调整后的伪标签是基于所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到的，t为大于或等于2的整数。

在本公开实施例中，待处理图像可以表示需要进行特征提取的图像。在本公开实施例中，采用预先训练的神经网络对所述待处理图像进行特征提取。所述神经网络所提取的所述待处理图像的特征可以用于描述所述待处理图像。例如，所述神经网络所提取的所述待处理图像的特征可以是用于表达所述待处理图像的语义信息的高维特征向量。其中，所述神经网络可以采用适用于图像特征提取的任意类型的神经网络。例如，所述神经网络可以采用深度学习的网络结构。例如，所述神经网络可以采用ResNet100、ResNet50或者VGG19等。在本公开实施例中，使用所述训练图像集的所有训练图像对所述神经网络进行一次完整训练，可以称为“一代训练”(epoch)。例如，第1代训练可以表示使用所述训练图像集的所有训练图像对所述神经网络进行的第一次训练；第t代训练可以表示使用所述训练图像集的所有训练图像对所述神经网络进行的第t次训练。在所述神经网络的每一代训练中，均可以使用所述训练图像集的所有图像对所述神经网络进行一次训练。其中，所述训练图像集可以是未标注的训练图像集。即，所述训练图像集可以是不带有真值数据的。即，所述神经网络可以是基于无监督学习的。

在本公开实施例中，在所述神经网络的第t代训练中，可以采用所述训练图像集的第t代的调整后的伪标签进行监督，其中，t≥2。其中，所述训练图像集的第t代的调整后的伪标签，可以包括所述训练图像集中的各个训练图像的第t代的调整后的伪标签。其中，伪标签可以表示用于对所述神经网络的训练进行监督的、非人为标注的标签。例如，所述训练图像集包括N个训练图像，所述训练图像集中的第k个训练图像可以记为x

在本公开实施例中，所述训练图像集的第t代的调整后的伪标签是基于所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到的。其中，所述训练图像集的第t代之前的任意一代的标签可以包括所述训练图像集中的各个训练图像的该代的标签。例如，所述训练图像集的第t-1代的标签可以包括所述训练图像集中的各个训练图像的第t-1代的标签；所述训练图像集的第t-2代的标签可以包括所述训练图像集中的各个训练图像的第t-2代的标签。在本公开实施例中，所述训练图像的第t代之前的任意一代的标签可以包括所述训练图像的该代的预测软标签、所述训练图像的该代的伪标签、所述训练图像的该代的调整后的伪标签等中的至少之一，相应地，所述训练图像集的该代的标签可以包括所述训练图像集的该代的预测软标签、所述训练图像集的该代的伪标签、所述训练图像集的该代的调整后的伪标签等中的至少之一。例如，所述训练图像的第t-1代的标签可以包括所述训练图像的第t-1代的预测软标签、所述训练图像的第t-1代的伪标签、所述训练图像的第t-1代的调整后的伪标签等中的至少之一，相应地，所述训练图像集的第t-1代的标签可以包括所述训练图像集的第t-1代的预测软标签、所述训练图像集的第t-1代的伪标签、所述训练图像集的第t-1代的调整后的伪标签等中的至少之一。其中，图像的软标签可以表示图像在各个类别上的概率分布，即，软标签可以表示以属于各个类别的概率值为标签值的标签，例如[0.3,0.3,0.4]。在表示软标签的向量中，元素个数为类别数，各个元素之和为1，且各个元素的取值范围均为[0,1]。图像的硬标签可以表示图像所属的类别，例如[0,0,1]。在表示硬标签的向量中，各个元素的取值范围是{0,1}，即，任一元素为0或1，并且有且只有一个1。在表示硬标签的向量中，图像所属的类别对应的元素为1，非图像所属的类别对应的元素为0。例如，所述训练图像的第t-1代的预测标签可以表示在所述神经网络的第t-1代训练中，所述神经网络预测的所述训练图像的软标签。

在一种可能的实现方式中，所述训练图像集的第t代的调整后的伪标签可以是基于所述训练图像集的第t代之前的任意一代的标签对所述训练图像集的第t代的伪标签进行调整得到的。作为该实现方式的一个示例，所述训练图像集的第t代的调整后的伪标签可以是基于所述训练图像集的第t-1代的标签对所述训练图像集的第t代的伪标签进行调整得到的。当然，在其他示例中，所述训练图像集的第t代的调整后的伪标签还可以是基于所述训练图像集的第t-2代的标签或者第t-3代的标签等对所述训练图像集的第t代的伪标签进行调整得到的，在此不作限定。

在另一种可能的实现方式中，在t大于2的情况下，所述训练图像集的第t代的调整后的伪标签可以是基于所述训练图像集的第t代之前的任意多代的标签对所述训练图像集的第t代的伪标签进行调整得到的。例如，所述训练图像集的第t代的调整后的伪标签可以根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第1代至第t-2代中的至少一代的标签确定。其中，所述训练图像集的任意一代的标签，可以包括所述训练图像集的该代的预测软标签、所述训练图像集的该代的伪标签、所述训练图像集的该代的调整后的伪标签等中的至少之一。

在本公开实施例中，通过根据所述训练图像集的第t代之前的至少一代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，并在所述神经网络的第t代训练中，采用所述训练图像集的第t代的调整后的伪标签进行监督，由此在所述神经网络的第t代训练中，能够有效利用所述训练图像集在第t代之前的标签信息，从而有助于降低用于对所述神经网络的第t代训练进行监督的伪标签的噪声，进而能够使所述神经网络学习到更准确地对图像进行特征提取的能力。

在一种可能的实现方式中，在所述将所述待处理图像输入预先训练的神经网络之前，所述方法还包括：在所述神经网络的第t代训练中，通过所述神经网络提取所述训练图像集的第t代特征；通过所述神经网络基于所述训练图像集的第t代特征，得到所述训练图像集的第t代的预测标签；根据所述训练图像集的第t代之前的至少一代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签；根据所述训练图像集的第t代的预测标签和所述训练图像集的第t代的调整后的伪标签，训练所述神经网络。

在该实现方式中，所述训练图像集的第t代特征可以包括所述训练图像集中的各个训练图像的第t代特征，即，在所述神经网络的第t代训练中，可以通过神经网络提取所述训练图像集中的各个训练图像的第t代特征。所述训练图像集的第t代的预测标签可以包括所述训练图像集中的各个训练图像的第t代的预测标签，即，在所述神经网络的第t代训练中，对于所述训练图像集中的任意一个训练图像，可以通过所述神经网络基于所述训练图像的第t代特征，得到所述训练图像的第t代的预测标签。其中，所述训练图像的第t代的预测标签可以表示在所述神经网络的第t代训练中，所述神经网络预测的所述训练图像的软标签。

在该实现方式中，可以根据所述训练图像集的第t代的预测标签和所述训练图像集的第t代的调整后的伪标签，确定第t代的损失函数的值，并可以根据第t代的损失函数的值，训练所述神经网络。例如，可以采用梯度下降的反向传播法等，训练所述神经网络。例如，训练图像x

其中，N表示所述训练图像集中的训练图像的数量，l

在该实现方式中，通过在所述神经网络的第t代训练中，通过所述神经网络提取所述训练图像集的第t代特征，通过所述神经网络基于所述训练图像集的第t代特征，得到所述训练图像集的第t代的预测标签，根据所述训练图像集的第t代之前的至少一代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，并根据所述训练图像集的第t代的预测标签和所述训练图像集的第t代的调整后的伪标签，训练所述神经网络，由此能够利用所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到用于监督所述神经网络的第t代训练的所述训练图像集的第t代的调整后的伪标签，由此训练得到的所述神经网络能够学习到更准确地对图像进行特征提取的能力。

作为该实现方式的一个示例，所述根据所述训练图像集的第t代之前的至少一代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：根据所述训练图像集的第t代特征，确定所述训练图像集的第t代的伪标签；根据所述训练图像集的第t-1代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。例如，训练图像x

在一个示例中，所述根据所述训练图像集的第t代特征，确定所述训练图像集的第t代的伪标签，包括：根据所述训练图像集的第t代特征，对所述训练图像集中的训练图像进行聚类，得到所述训练图像集的第t代的伪标签。在该示例中，可以根据预先设定的聚类方法对所述训练图像集中的训练图像进行聚类，该示例不对聚类方法进行限定，只要是根据所述训练图像集中的各个训练图像的第t代特征进行聚类即可。在该示例中，通过根据所述训练图像集的第t代特征，对所述训练图像集中的训练图像进行聚类，得到所述训练图像集的第t代的伪标签，由此能够提高基于无监督学习的所述神经网络的性能。

在一个示例中，所述根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代的历史标签；根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，确定所述训练图像集的第t代的调整后的伪标签。

在该示例中，所述训练图像集的第t代的历史标签，可以包括所述训练图像集中的各个训练图像的第t代的历史标签。所述训练图像集的第t代的历史标签，可以表示根据训练图像集的第t-1代的标签确定的，用于确定所述训练图像集的第t代的调整后的伪标签的历史标签。

例如，可以采用式2确定训练图像x

其中，

在该示例中，通过根据所述训练图像集的第t-1代的标签，确定所述训练图像集的第t代的历史标签，并根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，确定所述训练图像集的第t代的调整后的伪标签，由此能够有效利用所述训练图像集的历史标签信息进行所述神经网络的当前阶段的训练。

在一个示例中，所述根据所述训练图像集的第t-1代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。在该示例中，所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，可以根据所述训练图像集的第t-1代的伪标签以及所述训练图像集的第t代的伪标签确定。通过根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代对应的历史标签，由此在所述神经网络的训练中，根据相邻代的伪标签之间的相关度，对所述训练图像集的历史标签进行传播，从而对当前阶段的伪标签进行调整，使得调整后的伪标签具有更加丰富的监督信息，从而能够提高神经网络进行图像特征提取的性能。

在一个示例中，在所述根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签之前，所述方法还包括：根据所述训练图像集的第t-1代的伪标签对应的训练图像子集，以及所述训练图像集的第t代的伪标签对应的训练图像子集，确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度。在该示例中，通过根据所述训练图像集的第t-1代的伪标签对应的训练图像子集，以及所述训练图像集的第t代的伪标签对应的训练图像子集，确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，并根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代的历史标签，由此在所述神经网络的训练中，根据相邻代的伪标签对应的训练图像子集之间的关系，对所述训练图像集的历史标签进行传播，从而对当前阶段的伪标签进行调整，使得调整后的伪标签具有更加丰富的监督信息，从而能够提高神经网络进行图像特征提取的性能。

在一个例子中，所述根据所述训练图像集的第t-1代的伪标签对应的训练图像子集，以及所述训练图像集的第t代的伪标签对应的训练图像子集，确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，包括：在所述训练图像集中，确定第t-1代的第一伪标签对应的第一训练图像子集，其中，所述第一伪标签表示第t-1代的任意一个伪标签；在所述训练图像集中，确定第t代的第二伪标签对应的第二训练图像子集，其中，所述第二伪标签表示第t代的任意一个伪标签；根据所述第一训练图像子集和所述第二训练图像子集，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。在这个例子中，第t-1代的第一伪标签对应的第一训练图像子集，可以表示在所述训练图像集中、在第t-1代的伪标签为所述第一伪标签的训练图像的集合。即，所述第一训练图像子集为所述训练图像集的子集，且所述第一训练图像子集中的各个训练图像在第t-1代的伪标签均为所述第一伪标签。第t代的第二伪标签对应的第二训练图像子集，可以表示在所述训练图像集中、在第t代的伪标签为所述第二伪标签的训练图像的集合。即，所述第二训练图像子集为所述训练图像集的子集，且所述第二训练图像子集中的各个训练图像在第t代的伪标签均为所述第二伪标签。例如，第一伪标签可以记为伪标签i，第二伪标签可以记为伪标签j，其中，i∈[1,M

在一个例子中，所述根据所述第一训练图像子集和所述第二训练图像子集，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，包括：确定所述第一训练图像子集与所述第二训练图像子集的交集中的训练图像的第一数量；确定所述第一训练图像子集与所述第二训练图像子集的并集中的训练图像的第二数量；根据所述第一数量与所述第二数量的比值，确定所述第一训练图像子集与所述第二训练图像子集的第一交并比；根据所述第一交并比，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。在这个例子中，所述第一数量表示所述第一训练图像子集与所述第二训练图像子集的交集中的训练图像的数量，所述第二数量表示所述第一训练图像子集与所述第二训练图像子集的并集中的训练图像的数量，所述第一交并比表示所述第一训练图像子集与所述第二训练图像子集的交并比。例如，可以采用式3确定第一训练图像子集

其中，

在上述例子中，通过确定所述第一训练图像子集与所述第二训练图像子集的第一交并比，并根据所述第一交并比，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，由此能够提高所确定的所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度的准确性。

例如，所述根据所述第一交并比，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，包括：对于第t代的M个伪标签中的任一伪标签，在所述训练图像集中，确定所述伪标签对应的第三训练图像子集，其中，M为大于1的整数；对于M个第三训练图像子集中的任一第三训练图像子集，确定所述第一训练图像子集与所述第三训练图像子集的第二交并比；确定M个第二交并比的和值；将所述第一交并比与所述和值的比值，确定为第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。在这个例子中，所述第二交并比表示所述第一训练图像子集与所述第三训练图像子集的交并比。其中，可以采用与上文中确定所述第一训练图像子集与所述第二训练图像子集的交并比类似的方法，确定所述第一训练图像子集与所述第三训练图像子集的交并比，在此不再赘述。在这个例子中，第t代包括M个伪标签，对于第t代的M个伪标签中的各个伪标签，分别确定第二交并比，由此可以得到M个第二交并比。通过将所述第一交并比与所述和值的比值，确定为第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，由此能够实现相关度的归一化。

例如，可以采用式4确定第t-1代的所述第一伪标签i与第t代的第二伪标签j之间的相关度

在上述例子中，通过对于第t代的M个伪标签中的任一伪标签，在所述训练图像集中，确定所述伪标签对应的第三训练图像子集，对于M个第三训练图像子集中的任一第三训练图像子集，确定所述第一训练图像子集与所述第三训练图像子集的第二交并比，并将所述第一交并比与所述和值的比值，确定为第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，由此能够得到归一化的相关度。基于由此确定的第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度训练所述神经网络，有助于提高所述神经网络的训练效率。

又如，可以将所述第一交并比确定为第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。

在另一个例子中，可以根据所述第一训练图像子集与所述第二训练图像子集的交集中的训练图像的数量，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。在这个例子中，第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度，与所述第一训练图像子集与所述第二训练图像子集的交集中的训练图像的数量正相关。

在一个例子中，所述训练图像集的第t-1代的标签包括所述训练图像集的第t-1代的预测软标签；所述根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：根据所述训练图像集的第t-1代的预测软标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。在这个例子中，所述训练图像集的第t-1代的预测软标签可以包括所述训练图像集中的各个训练图像的第t-1代的预测软标签。所述训练图像的第t-1代的预测软标签可以表示在所述神经网络的第t-1代训练中，所述神经网络预测的所述训练图像的软标签。例如，可以根据所述训练图像集的第t-1代的预测软标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代的历史标签，并可以根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，确定所述训练图像集的第t代的调整后的伪标签。例如，可以采用式5确定训练图像x

其中，C表示所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度对应的矩阵，T表示转置，

在上述例子中，通过据所述训练图像集的第t-1代的预测软标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，由此能够利用更丰富的历史标签信息确定所述训练图像集的第t代的调整后的伪标签，从而有助于进一步降低用于对所述神经网络的第t代训练进行监督的伪标签的噪声。

在另一个例子中，所述训练图像集的第t-1代的标签包括所述训练图像集的第t-1代的伪标签；所述根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：根据所述训练图像集的第t-1代的伪标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。例如，可以根据所述训练图像集的第t-1代的伪标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代的历史标签，并可以根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，确定所述训练图像集的第t代的调整后的伪标签。例如，可以采用式6确定训练图像x

其中，

在上述例子中，通过根据所述训练图像集的第t-1代的伪标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，由此有助于降低确定所述训练图像集的第t代的调整后的伪标签的计算量。

在另一个例子中，在t大于2的情况下，所述训练图像集的第t-1代的标签包括所述训练图像集的第t-1代的调整后的伪标签，其中，所述训练图像集的第t-1代的调整后的伪标签是根据所述训练图像集的第t-2代的标签确定的；所述根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，包括：根据所述训练图像集的第t-1代的调整后的伪标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。在这个例子中，所述训练图像集的第t-1代的调整后的伪标签可以包括所述训练图像集中的各个训练图像的第t-1代的调整后的伪标签。其中，所述训练图像的第t-1代的调整后的伪标签的确定方法与所述训练图像的第t代的调整后的伪标签的确定方法类似，在此不再赘述。例如，可以根据所述训练图像集的第t-1代的调整后的伪标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代的历史标签，并可以根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，确定所述训练图像集的第t代的调整后的伪标签。在这个例子中，通过根据所述训练图像集的第t-1代的调整后的伪标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，由此在所述神经网络的第t代训练中，不仅能够利用第t-1代的标签信息，还能够利用第t-1代之前的标签信息，从而能够利用更丰富的历史标签信息对所述神经网络的第t代训练进行监督，进而有利于进一步提高所述神经网络的训练效果。

在该实现方式中，可以采用与上文介绍的“根据所述训练图像集的第t-1代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签”的方式类似的方式，根据所述训练图像集的第t-1代之前的代的标签对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，在此不再赘述。例如，若根据所述训练图像集的第t-2代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，则可以根据所述训练图像集的第t-2代的标签，以及所述训练图像集的第t-2代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。又如，若根据所述训练图像集的第t-1代的标签和第t-2代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签，则可以根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，得到所述训练图像集的第t代的第一历史标签，根据所述训练图像集的第t-2代的标签，以及所述训练图像集的第t-2代的伪标签与第t代的伪标签之间的相关度，得到所述训练图像集的第t代的第二历史标签，根据所述训练图像集的第t代的第一历史标签、所述训练图像集的第t代的第二历史标签与所述训练图像集的第t代的伪标签三者的加权和，确定所述训练图像集的第t代的调整后的伪标签。

相关技术中，不同代产生的标签信息，在当前代训练完成后就被丢弃，而在本公开实施例中，对历史标签信息进行了利用，使得在当前代的训练中具有更丰富的监督信息。

在一种可能的实现方式中，在所述得到所述待处理图像的特征之后，所述方法还包括：将所述待处理图像的特征与至少一个待匹配对象的特征进行匹配；响应于所述待处理图像的特征与所述至少一个待匹配对象中的任意一个待匹配对象的特征相匹配，将所述待匹配对象的标识信息作为所述待处理图像中的对象的标识信息。该实现方式可以适用于对象重识别的应用场景。在该实现方式中，对象可以是人、动物或者物体等，相应地，待匹配对象可以是待匹配的人、待匹配的动物或者待匹配的物体等。将所述待处理图像的特征与至少一个待匹配对象的特征进行匹配，可以包括计算所述待处理图像的特征与至少一个待匹配对象的特征之间的相似度。在一个示例中，若在所有待匹配对象中，第一待匹配对象的特征与所述待处理图像的特征之间的相似度最高，则可以确定所述待处理图像的特征与所述第一待匹配对象的特征相匹配，并可以将所述第一待匹配对象的标识信息作为所述待处理图像中的对象的标识信息。在另一个示例中，若在所有待匹配对象中，第一待匹配对象的特征与所述待处理图像的特征之间的相似度最高，且所述第一待匹配对象的特征与所述待处理图像的特征之间的相似度大于或等于预设阈值，则可以确定所述待处理图像的特征与所述第一待匹配对象的特征相匹配，并可以将所述第一待匹配对象的标识信息作为所述待处理图像中的对象的标识信息。根据该实现方式，能够提高对象重识别的准确度。

本公开实施例可以应用于大规模的移动物体检测、移动轨迹还原、动态追踪、智能城市、野生动物追踪、交通道路监控、违章车辆轨迹还原、基于多视角图像或视频的对象重识别等应用场景中。采用本公开实施例，可以进行细粒度的图像分类，例如，可以判定相似度较高的不同对象之间的从属关系(例如外观相近的车辆型号的判别、鸟类等动物分类等)。

图2示出本公开实施例提供的图像的特征提取方法中神经网络的训练方法的一示意图。如图2所示，所述神经网络可以基于包含N个训练图像的训练图像集进行训练。在所述神经网络的第t-1代训练中，所述神经网络可以提取所述训练图像集的第t-1代特征。根据所述训练图像集的第t-1代特征，对所述训练图像集中的训练图像进行聚类，可以得到所述训练图像集的第t-1代的伪标签。在所述神经网络的第t-1代训练中，所述神经网络可以采用所述训练图像集的第t-1代的伪标签进行监督。或者，在所述神经网络的第t-1代训练中，所述神经网络可以采用所述训练图像集的第t-1代的调整后的伪标签进行监督。在所述神经网络的第t-1代训练中，所述神经网络可以预测得到所述训练图像集的第t-1代的预测软标签。在所述神经网络的第t代训练中，所述神经网络可以提取所述训练图像集的第t代特征。根据所述训练图像集的第t代特征，对所述训练图像集中的训练图像进行聚类，可以得到所述训练图像集的第t代的伪标签。根据所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，可以对所述训练图像集的第t-1代的预测软标签进行传播，得到所述训练图像集的第t代的历史标签。根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，可以确定所述训练图像集的第t代的调整后的伪标签。在所述神经网络的第t代训练中，所述神经网络可以采用所述训练图像集的第t代的调整后的伪标签进行监督。

图3示出本公开实施例提供的图像的特征提取方法中神经网络的训练方法的另一示意图。如图3所示，例如，训练图像x

下面通过一个具体的应用场景说明本公开实施例提供的图像的特征提取方法。在该应用场景中，在所述神经网络的训练阶段，所述神经网络可以采用包含N个训练图像的训练图像集进行训练。在所述神经网络的第t代训练中，所述神经网络可以提取所述训练图像集的第t代特征，并根据所述训练图像集的第t代特征，对所述训练图像集中的训练图像进行聚类，得到所述训练图像集的第t代的伪标签。根据所述训练图像集的第t-1代的伪标签，以及所述训练图像集的第t代的伪标签，可以确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度。根据所述训练图像集的第t-1代的预测软标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，可以确定所述训练图像集的第t代的历史标签。根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，可以确定所述训练图像集的第t代的调整后的伪标签。在所述神经网络的第t代训练中，所述神经网络可以采用所述训练图像集的第t代的调整后的伪标签进行监督。在所述神经网络训练完成后，可以将待处理图像输入所神经网络，经由所述神经网络对所述待处理图像进行特征提取，得到所述待处理图像的特征。可以将所述待处理图像的特征与至少一个待匹配对象的特征进行匹配，并可以响应于所述待处理图像的特征与所述至少一个待匹配对象中的任意一个待匹配对象的特征相匹配，将所述待匹配对象的标识信息作为所述待处理图像中的对象的标识信息，由此能够实现对象的重识别。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了图像的特征提取装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像的特征提取方法，相应技术方案和技术效果可参见方法部分的相应记载，不再赘述。

图4示出本公开实施例提供的图像的特征提取装置的框图。如图4所示，所述图像的特征提取装置包括：

获取模块41，用于获取待处理图像；

特征提取模块42，用于将所述待处理图像输入预先训练的神经网络，经由所述神经网络对所述待处理图像进行特征提取，得到所述待处理图像的特征，其中，在所述神经网络的第t代训练中，所述神经网络是根据训练图像集的第t代的调整后的伪标签训练的，所述训练图像集的第t代的调整后的伪标签是基于所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到的，t为大于或等于2的整数。

在一种可能的实现方式中，所述装置还包括：

提取模块，用于在所述神经网络的第t代训练中，通过所述神经网络提取所述训练图像集的第t代特征；

预测模块，用于通过所述神经网络基于所述训练图像集的第t代特征，得到所述训练图像集的第t代的预测标签；

调整模块，用于根据所述训练图像集的第t代之前的至少一代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签；

训练模块，用于根据所述训练图像集的第t代的预测标签和所述训练图像集的第t代的调整后的伪标签，训练所述神经网络。

在一种可能的实现方式中，所述调整模块用于：

根据所述训练图像集的第t代特征，确定所述训练图像集的第t代的伪标签；

根据所述训练图像集的第t-1代的标签，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在一种可能的实现方式中，所述调整模块用于：

根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在一种可能的实现方式中，所述装置还包括：

第一确定模块，用于根据所述训练图像集的第t-1代的伪标签对应的训练图像子集，以及所述训练图像集的第t代的伪标签对应的训练图像子集，确定所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度。

在一种可能的实现方式中，所述第一确定模块用于：

在所述训练图像集中，确定第t-1代的第一伪标签对应的第一训练图像子集，其中，所述第一伪标签表示第t-1代的任意一个伪标签；

在所述训练图像集中，确定第t代的第二伪标签对应的第二训练图像子集，其中，所述第二伪标签表示第t代的任意一个伪标签；

根据所述第一训练图像子集和所述第二训练图像子集，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。

在一种可能的实现方式中，所述第一确定模块用于：

确定所述第一训练图像子集与所述第二训练图像子集的交集中的训练图像的第一数量；

确定所述第一训练图像子集与所述第二训练图像子集的并集中的训练图像的第二数量；

根据所述第一数量与所述第二数量的比值，确定所述第一训练图像子集与所述第二训练图像子集的第一交并比；

根据所述第一交并比，确定第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。

在一种可能的实现方式中，所述第一确定模块用于：

对于第t代的M个伪标签中的任一伪标签，在所述训练图像集中，确定所述伪标签对应的第三训练图像子集，其中，M为大于1的整数；

对于M个第三训练图像子集中的任一第三训练图像子集，确定所述第一训练图像子集与所述第三训练图像子集的第二交并比；

确定M个第二交并比的和值；

将所述第一交并比与所述和值的比值，确定为第t-1代的所述第一伪标签与第t代的所述第二伪标签之间的相关度。

在一种可能的实现方式中，所述训练图像集的第t-1代的标签包括所述训练图像集的第t-1代的预测软标签；

所述调整模块用于：

根据所述训练图像集的第t-1代的预测软标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在一种可能的实现方式中，所述训练图像集的第t-1代的标签包括所述训练图像集的第t-1代的伪标签；

所述调整模块用于：

根据所述训练图像集的第t-1代的伪标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，对所述训练图像集的第t代的伪标签进行调整，得到所述训练图像集的第t代的调整后的伪标签。

在一种可能的实现方式中，所述调整模块用于：

根据所述训练图像集的第t-1代的标签，以及所述训练图像集的第t-1代的伪标签与第t代的伪标签之间的相关度，确定所述训练图像集的第t代的历史标签；

根据所述训练图像集的第t代的历史标签与所述训练图像集的第t代的伪标签的加权和，确定所述训练图像集的第t代的调整后的伪标签。

在一种可能的实现方式中，所述调整模块用于：

根据所述训练图像集的第t代特征，对所述训练图像集中的训练图像进行聚类，得到所述训练图像集的第t代的伪标签。

在一种可能的实现方式中，所述装置还包括：

匹配模块，用于将所述待处理图像的特征与至少一个待匹配对象的特征进行匹配；

第二确定模块，用于响应于所述待处理图像的特征与所述至少一个待匹配对象中的任意一个待匹配对象的特征相匹配，将所述待匹配对象的标识信息作为所述待处理图像中的对象的标识信息。

在本公开实施例中，通过获取待处理图像，并将所述待处理图像输入预先训练的神经网络，经由所述神经网络对所述待处理图像进行特征提取，得到所述待处理图像的特征，其中，在所述神经网络的第t代训练中，所述神经网络是根据训练图像集的第t代的调整后的伪标签训练的，所述训练图像集的第t代的调整后的伪标签是基于所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到的，由此在当前阶段所述神经网络进行训练时，能够利用所述训练图像集的历史标签信息对当前阶段产生的伪标签进行调整，由此得到的调整后的伪标签具有更加丰富的监督信息，从而能够使所述神经网络学习到更准确地对图像进行特征提取的能力。采用由此训练得到的所述神经网络对图像进行特征提取，有助于提高对图像所提取的特征的准确性。基于由此提取的图像特征进行重识别，能够提高重识别的准确性。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现和技术效果可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。

本公开实施例还提出一种计算机程序，包括计算机可读代码，当所述计算机可读代码在电子设备中运行时，所述电子设备中的处理器执行用于实现上述方法。

本公开实施例还提供了一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像的特征提取方法的操作。

本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图5示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)/通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图6示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows Server

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。