识别标签的方法、装置、设备以及介质
文献发布时间:2023-06-19 09:51:02
技术领域
本申请实施例涉及针对图像或者视频内容的智能理解技术领域,并且更 具体地,涉及识别标签的方法、装置、设备以及介质。
背景技术
随着互联网和第四代移动通信技术(4-Generation,4G)/第五代移动通 信技术(5-Generation,5G)的深入发展,短视频和图片的消费量呈现出井喷 式爆发,进而导致针对图像或者视频内容的智能理解在视觉内容的各个环节 都变的必不可少。其中最基础的智能图像理解任务就是为图片打上既准确又 丰富的标签。
目前,图片标签识别算法是通过把所有标签从0开始标识,即将标签直 接进行标识(ID)化;换言之,将图片的标签识别任务,转换成标签对应的 训练数据与标签对应的分类标识的映射关系的学习任务。标识化标签虽然能 够智能图像理解任务,但标签还是不够丰富,而且,识别标签的准确率也不 够高。
发明内容
提供了一种识别标签的方法、装置、设备以及介质,不仅能够使得标签 多样化,还能够提高识别标签的准确率。
第一方面,提供了一种识别标签的方法,包括:
获取第一图像的目标特征,该目标特征用于表征该第一图像的视觉特征 和至少一个标签的词特征;
基于该目标特征,在该至少一个标签中识别该第一图像的标签。
第二方面,提供了一种识别标签的装置,包括:
获取模块,用于获取第一图像的目标特征,该目标特征用于表征该第一 图像的视觉特征和至少一个标签的词特征;
识别模块,用于基于该目标特征,在该至少一个标签中识别该第一图像 的标签。
第三方面,提供了一种电子设备,包括:
处理器和存储器,该存储器用于存储计算机程序,该处理器用于调用并 运行该存储器中存储的计算机程序,以执行第一方面该的方法。
第四方面,提供了一种计算机可读存储介质,用于存储计算机程序,该 计算机程序使得计算机执行第一方面该的方法。
通过表征第一图像的视觉特征和至少一个标签的词特征的目标特征,在 该至少一个标签中识别该第一图像的标签,相当于,不仅能够基于该第一图 像的视觉特征识别该第一图像的标签,还能够在识别该第一图像的标签的过 程中,基于该至少一个标签的语义以及该至少一个标签之间的关系,使得该 第一图像的标签可以具有语义或含义,能够提升标签的识别准确度。
换言之,通过显性的考虑标签与标签之间的语义关系,并结合该第一图 像的视觉特征,可以识别出该第一图像的有关联关系的至少一个标签,提升 了标签的识别效果。
特别是,在大规模多标签分类网络中有可能存在万级别的标签数,通过 显性的考虑标签与标签之间的语义关系,能够丰富标签类型或划分粒度,有 助于设计语义多样性的标签。
综上,通过该目标特征识别该第一图像的标签,不仅能够使得标签多样 化,还能够提高识别标签的准确率。
附图说明
图1是本申请提供的系统框架的示例。
图2是本申请实施例提供的识别标签的方法的示意性流程图。
图3是本申请实施例提供的获取第一矩阵和第二矩阵的示意性框图。
图4是本申请实施例提供的识别标签的装置的示意性框图。
图5是本申请实施例提供的识别标签的系统的示意性框图。
图6是本申请实施例提供的电子设备的示意性框图。
具体实施方式
下面将结合附图,对本申请实施例中的技术方案进行描述。
需要说明的是,本申请提供的识别标签的方案可应用于任何需要针对图 像或者视频内容进行智能理解的场景。例如,图片和视频搜索、推荐、审核 等场景。再如,看物识图的场景。
例如,针对图像搜索场景,通过搜索图像的视觉特征,可以为用户提供 互联网上与图像相关的图形图像资料的检索服务。再如,针对看图识物的场 景,将图像传输到进过训练的电子设备,该电子设备可以通过提取图像的视 觉信息,识别该图像对应的标签,例如,该图像为植物的图像,该电子设备 可识别该图像的标签为植物或具体的植物名称。
图1是本申请实施例提供的系统框架100的示意性框图。
如图1所示,该系统框架100可包括图像处理模块110、标签映射模块 120以及标签识别模块140。
其中,该图像处理模块110可用于提取图像的视觉特征,并将提取到的 视觉特征发送给标签映射模块120,以便标签映射模块120可以将接收到的 图像的视觉特征映射为概率分布特征,该概率分布特征可以是一个长度或维 数为N的分布。该概率分布特征中的每一个位或数值对应一个标签,可以将 该概率分布特征中的最大数值对应的标签,确定为图像的标签。换言之,可 以为图像打上该概率分布特征中的最大数值对应的标签。
在本申请的一些实施例中,该图像处理模块110可以是任意具有图像特 征提取或抽取功能的模块,例如,该图像处理模块110可以是残差网络(resnet) 等图像模型。
应理解,图1仅为本申请的示例,不应理解为对本申请的限制。
例如,该系统框架100还可以包括图像获取模块,以获取图像,并将获 取的图像输入到该图像处理模块110。
在上述系统框架100中,该图像处理模块110会将提取到的图像视觉特 征直接输出至标签映射模块120,以便该标签映射模块120将接收到的图像 的视觉特征映射为概率分布特征。
换言之,可以仅基于图像的视觉特征,识别图像的标签。
本申请实施例的一处贡献在于,发现了或认知到一个在识别标签过程中 影响识别准确率的一个重要因素,即没有显性的考虑标签的语义或含义。由 于标签和标签之间可能不是独立的,而是具有某种语义关系,如果在识别标 签的过程中,显性的考虑至少一个标签的语义或含义,不仅能够使得标签多 样化,还能够提高识别标签的准确率。
例如,标签和标签之间可以存着上下位、相似、相反等不同语义关系。 例如,标签‘狗’和‘哈士奇’具有上下位关系。再如,标签“非洲象”和标签“亚洲 象”具有相似的语义关系。再如,标签“白天”和标签“黑夜”具有相反的语义关 系。
下面对结合图2和图5对本申请实施例提供的识别标签的方法进行说明。
图2是本申请实施例提供的识别标签的方法200的示意性流程图。
如图2所示,该方法200可包括:
S210,获取第一图像的目标特征,该目标特征用于表征该第一图像的视 觉特征和至少一个标签的词特征。
S220,基于该目标特征,在该至少一个标签中识别该第一图像的标签。
例如,基于该第一图像的视觉特征和该至少一个标签的词特征,生成该 目标特征,以基于该目标特征在该至少一个标签中识别该第一图像的标签。
通过表征第一图像的视觉特征和至少一个标签的词特征的目标特征,在 该至少一个标签中识别该第一图像的标签,相当于,不仅能够基于该第一图 像的视觉特征识别该第一图像的标签,还能够在识别该第一图像的标签的过 程中,基于该至少一个标签的语义以及该至少一个标签之间的关系,使得该 第一图像的标签可以具有语义或含义,能够提升标签的识别准确度。
换言之,通过显性的考虑标签与标签之间的语义关系,并结合该第一图 像的视觉特征,可以识别出该第一图像的有关联关系的至少一个标签,提升 了标签的识别效果。
特别是,在大规模多标签分类网络中有可能存在万级别的标签数,通过 显性的考虑标签与标签之间的语义关系,能够丰富标签类型或划分粒度,有 助于设计语义多样性的标签。
综上,通过该目标特征识别该第一图像的标签,不仅能够使得标签多样 化,还能够提高识别标签的准确率。
需要说明的是,本申请对该第一图像的视觉特征的获取方式和该至少一 个标签的词特征的获取方式不作具体限定。
例如,可以通过残差网络(resnet)等图像模型获取该第一图像的视觉特 征。
再如,可以通过独热(one-hot)编码或词向量表示(wordvec)模型获取该 至少一个标签的词特征。其中,独热编码也可称为一位有效编码。例如,可 以使用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存 器位,并且在任意时候,其中只有一位有效。wordvec模型可用于产生词向量 的相关模型,例如,浅层双层的神经网络,可用来训练以重新建构语言学的 词文本。
此外,该视觉特征可以称为视觉模态特征、视觉表示或视觉表达,该词 特征也可称为文本模态特征、词表示或词表达。
在本申请的一些实施例中,该第一图像的至少一个图像通道分别对应的 至少一个视觉特征向量用于生成该第一图像的视觉特征,该至少一个标签分 别对应的至少一个词特征向量用于生成该至少一个标签的词特征。
换言之,该第一图像的视觉特征可以是通过对第一图像的图像通道的特 征向量进行处理所获取的特征,该至少一个标签的词特征可以是是通过对该 至少一个标签的词特征向量进行处理所获取的特征。
例如,该第一图像为红绿蓝(Red Green Blue,RGB)彩色图像,该至少 一个图像通道可以包括红(R)、绿(G)、蓝(B)三个颜色通道,该至少一个视觉 特征向量可以包括红(R)、绿(G)、蓝(B)三个颜色通道分别对应的三个视觉特 征向量。
在本申请的一些实施例中,该至少一个词特征向量用于指导该至少一个 视觉特征向量以生成该第一图像的视觉特征,该至少一个视觉特征向量用于 指导该至少一个词特征向量以生成该至少一个标签的词特征。
在生成该第一图像的视觉特征以及该至少一个标签的词特征的过程中, 通过不仅需要考虑到词特征向量之间的关系以及视觉特征向量之间的关系, 还需要考虑词特征向量和视觉特征向量之间的关系,机通过多层交叉和融合, 得到目标特征,能够提高该目标特征的。
应理解,本申请对第一图像、视觉特征向量和词特征向量的具体形式不 做限定。例如,该视觉特征向量可以是特定维数的向量。例如128维的向量。 再如,该第一图像可以是具有三维张量的图像,以便基于该第一图像的三维 张量提取该第一图像的视觉特征。
在本申请的一些实施例中,该至少一个图像通道的数量等于该至少一个 标签的数量。
将该至少一个图像通道的数量和该至少一个标签的数量相等,相当于, 使得该至少一个视觉特征的数量和该至少一个标签的数量相等,有利于将该 至少一个视觉特征和该至少一个标签合并为目标特征,降低了处理数据的复 杂度。
在本申请的一些实施例中,该至少一个视觉特征向量中的视觉特征向量 的维数等于该至少一个词特征向量中的词特征向量的维数。
将该至少一个视觉特征向量中的视觉特征向量的维数和该至少一个词特 征向量中的词特征向量的维数相等,相当于,使得每一个视觉特征的长度和 每一个词向量特征的长度相等,有利于将该至少一个视觉特征和该至少一个 标签合并为目标特征,降低了处理数据的复杂度。
在本申请的一些实施例中,该S210可包括:
基于该至少一个视觉特征向量,确定第一矩阵;
基于该至少一个词特征向量,确定第二矩阵;
基于第一矩阵和该第二矩阵的确定该目标特征。
例如,可以将该第一矩阵和该第二矩阵的乘积,作为该目标特征。再如, 也可以将该第一矩阵和该第二矩阵拼接在一起,以生成该目标特征。
再如,该至少一个视觉特征向量中的每一个视觉特征向量可以作为该第 一矩阵的行向量,该至少一个词特征向量中的每一个词特征向量可以作为该 第一矩阵的行向量。再如,该至少一个视觉特征向量中的每一个视觉特征向 量可以作为该第一矩阵的列向量,该至少一个词特征向量中的每一个词特征 向量可以作为该第一矩阵的列向量。
以该至少一个视觉特征向量中的每一个视觉特征向量可以作为该第一矩 阵的行向量,且该至少一个词特征向量中的每一个词特征向量可以作为该第 一矩阵的行向量为例;若该至少一个图像通道的数量等于该至少一个标签的 数量,可以将该第一矩阵的转置矩阵和该第二矩阵的乘积,确定为该目标特 征;若该至少一个视觉特征向量中的视觉特征向量的维数等于该至少一个词 特征向量中的词特征向量的维数,可以将该第一矩阵和该第二矩阵的转置矩 阵的乘积,确定为该目标特征。
在本申请的一些实施例中,该第一矩阵为该该至少一个视觉特征向量形 成的矩阵和第一权重的乘积,该第二矩阵为该至少一个词向量形成的矩阵和 第二权重的乘积,该第一权重为基于该至少一个词特征向量的得分确定的权 重,该第二权重为基于该至少一个视觉特征向量的得分确定的权重。
换言之,可以通过基于该至少一个词特征向量的得分确定的第一权重, 指导或调整该至少一个视觉特征向量所形成的矩阵,也可以通过基于该至少 一个视觉特征向量的得分确定的第二权重,指导或调整该至少一个词特征向 量形成的矩阵,相当于,在第一矩阵和该第二矩阵进行乘积运算之前,先初 步融合该至少一个视觉特征向量和该至少一个词特征向量,以提升该第一图 像的视觉特征和至少一个标签的词特征的融合程度,相应的,提升识别的准 确度。
例如,可以基于以下公式,确定该第一矩阵或该第二矩阵:
其中,所述Q、V、K为注意力(attention)机制的三元组向量,d
以该至少一个词特征向量为例,假设该至少一个词特征向量中的每一个 词特征向量为512维,该至少一个词特征向量就可以表示为一个矩阵,即第 三矩阵,将第三矩阵通过三个参数矩阵QM,KM,VM可映射到低维向量空 间,例如64维,以得到三个低维向量空间中第三矩阵的表示,即第三矩阵的 Q,K,V。例如,可以将第三矩阵分别与QM,KM,VM相乘,得到第三矩 阵的Q,K,V。
将第三矩阵的Q与第三矩阵的K做矩阵乘法得到的矩阵A可以作为该 至少一个词特征向量的得分(score),该至少一个词特征向量的得分可用于解 释至少一个标签中每个标签与其他位置上的标签的匹配程度。对A矩阵进行 缩放(scale),比如对每个元素除以根号下K向量的维数,可以防止内积的 结果太大,导致训练时进入梯度为0的区域。
简言之,将第三矩阵的Q与第三矩阵的K做矩阵乘法,然后将结果进行 归一化,以获取该第一权重,该第一权重用于赋予该至少一个视觉特征向量 形成的第四矩阵的V。
需要说明的是,可以采用“多头”注意力(Multi-Head Attention)获取该第 三矩阵或该第四矩阵的Q,K,V,“多头”可以指在初始化参数矩阵QM,KM, VM时,使用多组初始化值。例如,以该至少一个词特征向量为例,通过多 组初始化值,以学习到至少一个标签之间不同语义的表征关系,例如一组矩 阵可用于解释该至少一个标签的情感联系,另一组矩阵可用于解释对命名实 体更加细粒度的映射,由此,可以获取权重不同的多个第一矩阵。可选的, 多个第一矩阵可以通过一个融合矩阵W,融合为一个矩阵。
图3是本申请实施例提供的获取第一矩阵和第二矩阵的示意性框图。
如图3所示,视觉路转换模块331可用于生成第一图像的视觉特征,文 本路转换模块332可用于生成至少一个标签的词特征。
例如,文本路转换模块332接收第三矩阵的Q和K,并基于第三矩阵的 Q和K指导或监督该第四矩阵的V,以输出文本路输出第二矩阵。视觉特征 处理模块331接收第四矩阵的Q和K,并基于第四矩阵的Q和K指导或监督 该第三矩阵的V,以输出第一矩阵。基于此,可基于该第一矩阵和该第二矩 阵确定该目标特征。
在本申请的一些实施例中,该S220可包括:
将该目标特征,映射为概率分布特征,该概率分布特征的维数等于该至 少一个标签的维数,该概率分布特征中的同一位数值用于表示该同一位数值 对应的标签的置信度;
确定该概率分布特征中的大于预设阈值的第一数值;
将该第一数值对应的标签,确定为该第一图像的标签。
例如,该目标特征可为乘积矩阵,即上述第一矩阵和上述第二矩阵的乘 积,基于此,可以将该乘积矩阵映射为该概率分布特征,以便基于该概率分 布特征确定该第一图像的标签。
需要说明的是,该预设阈值可以是数值范围,也可以是具体数值。当然, 该至少一个标签对应的阈值可以部分或全部不同。例如,上位标签对应的预 设阈值可以大于或等于下位标签对应的预设阈值。例如,标签“狗”对应的预 设阈值为8或9,标签“哈士奇”对应的预设阈值为5或6。当然,上述具体数 值仅为示例,本申请不限于此。此外,置信度也可称为置信度也可称为可靠 度、置信水平、或置信系数,该概率分布特征的维数也可称为置信区间,该 概率分布特征中的数值可用于表示将该数值对应的标签估计为该第一图像的 标签的估计准确性。
在本申请的一些实施例中,该至少一个标签之间存在语义关系。
在本申请的一些实施例中,该语义关系包括以下中的至少一项:上下位 的语义关系、相似的语义关系或相反的语义关系。
例如,标签和标签之间可以存着上下位、相似、相反等不同语义关系。 例如,标签‘狗’和‘哈士奇’具有上下位关系。再如,标签“非洲象”和标签“亚洲 象”具有相似的语义关系。再如,标签“白天”和标签“黑夜”具有相反的语义关 系。
在本申请的一些实施例中,该第一图像的标签包括至少一个标签。
例如,该第一图像的标签可以包括存在上下位语义关系的标签。例如, 该第一图像的标签可以包括标签“狗”和标签“哈士奇”。
在本申请的一些实施例中,该S210可包括:
利用预测模型,以该第一图像的视觉特征作为输入,获取该目标特征。
例如,该至少一个标签可以是该预测模型中的标签,此时,将该第一图 像的视觉特征输入该预测模型后,该预测模型可以基于该第一图像的视觉特 征和该至少一个标签的词特征获取该目标特征。
在本申请的一些实施例中,该方法200还可包括:
通过多张图像和该多张图像的标签,训练该预测模型。
例如,可以通过多张图像中的每一张图像的视觉特征和同一张图像的标 签的词特征,训练该预测模型。
图4是本申请实施例提供的录制页面的装置300的示意性框图。
如图4所示,该装置300可包括:
获取模块310,用于获取第一图像的目标特征,该目标特征用于表征该 第一图像的视觉特征和至少一个标签的词特征;
识别模块320,用于基于该目标特征,在该至少一个标签中识别该第一 图像的标签。
在本申请的一些实施例中,该第一图像的至少一个图像通道分别对应的 至少一个视觉特征向量用于生成该第一图像的视觉特征,该至少一个标签分 别对应的至少一个词特征向量用于生成该至少一个标签的词特征。
在本申请的一些实施例中,该至少一个词特征向量用于指导该至少一个 视觉特征向量以生成该第一图像的视觉特征,该至少一个视觉特征向量用于 指导该至少一个词特征向量以生成该至少一个标签的词特征。
在本申请的一些实施例中,该至少一个图像通道的数量等于该至少一个 标签的数量。
在本申请的一些实施例中,该至少一个视觉特征向量中的视觉特征向量 的维数等于该至少一个词特征向量中的词特征向量的维数。
在本申请的一些实施例中,该获取模块310具体用于:
基于该至少一个视觉特征向量,确定第一矩阵;
基于该至少一个词特征向量,确定第二矩阵;
基于该第一矩阵和该第二矩阵确定该目标特征。
在本申请的一些实施例中,该第一矩阵为该该至少一个视觉特征向量形 成的矩阵和第一权重的乘积,该第二矩阵为该至少一个词向量形成的矩阵和 第二权重的乘积,该第一权重为基于该至少一个词特征向量的得分确定的权 重,该第二权重为基于该至少一个视觉特征向量的得分确定的权重。
在本申请的一些实施例中,该识别模块320具体用于:
将该目标特征,映射为概率分布特征,该概率分布特征的维数等于该至 少一个标签的维数,该概率分布特征中的同一位数值用于表示该同一位数值 对应的标签的置信度;
确定该概率分布特征中的大于预设阈值的第一数值;
将该第一数值对应的标签,确定为该第一图像的标签。
在本申请的一些实施例中,该至少一个标签之间存在语义关系。
在本申请的一些实施例中,该语义关系包括以下中的至少一项:上下位 的语义关系、相似的语义关系或相反的语义关系。
在本申请的一些实施例中,该第一图像的标签包括至少一个标签。
在本申请的一些实施例中,该获取第一图像的目标特征,包括:
利用预测模型,以该第一图像的视觉特征和该至少一个标签的词特征作 为输入,获取该目标特征。
应理解,装置实施例与方法实施例可以相互对应,类似的描述可以参照 方法实施例。为避免重复,此处不再赘述。具体地,图4所示的装置300可 以对应于执行本申请实施例的方法200中的相应主体,并且装置300中的各 个模块的前述和其它操作和/或功能分别为了实现图2中的各个方法中的相应 流程,为了简洁,在此不再赘述。
图5是本申请实施例提供的识别标签的系统400的示意性框图。
如图5所示,该系统400可包括:
图像处理模块410、标签处理模块420、获取模块430、标签映射模块440 以及识别模块450。可选的,该标签映射模块430可以具有与图1所示的标 签映射模块120相同的功能。可选的,该识别模块450可以具有与图1所示 的识别模块140或图4所示的识别模块320相同的功能。
如图5所示,该获取模块430可包括视觉特征处理模块431、词特征处 理模块432以及融合模块433。
其中,该图像处理模块410可用于提取或抽取第一图像的视觉特征,并 将提取或抽取到的该第一图像的视觉特征输入到获取模块430中的视觉特征 处理模块431,该标签处理模块420可用于提取或抽取至少一个标签的词特 征,并将该至少一个标签的词特征输入至该获取模块430中的词特征处理模 块432,该视觉处理模块431基于接收的第一图像的视觉特征生成第一矩阵, 并将该第一矩阵输入至融合模块433,该词特征处理模块432基于接收到的 至少一个标签的词特征生成第二矩阵,并将该第二矩阵输入该融合模块433, 以便该融合模块433基于该第一矩阵和该第二矩阵获取目标特征,该标签映 射模块440收到该融合模块433发送的该目标特征后,基于该目标特征生成 概率分布特征,并将该概率分布特征发送给该识别模块450,以便该识别模 块450识别该第一图像的标签。
应理解,图5仅为本申请的示例,不应理解为对本申请的限制。
例如,视觉特征处理模块431和该词特征处理模块432的功能可以分别 参考视觉路转换模块331和文本路转换模块332的功能。
再如,视觉特征处理模块431和该词特征处理模块432均可以包括转换(Transformer)模型。
例如,Transformer模型可包括编码(encoder)部分和解码(decoder)部 分。编码部分和解码部分均各有相同的6层结构。编码部分的输出作为解码 部分的输入。例如,编码部分中的每一层结构可包括输入嵌入(Input Embedding)模块、位置编码(PositionalEncoding)模块、多头注意力 (Multi-Head Attention)模块以及残差连接(Add&Norm)的前馈(Feed Forward)神经网络。再如,解码部分中的每一层结构可包括输出嵌入(OutputEmbedding)模块、位置编码(Positional Encoding)模块、隐藏的多头注意力 (MaskedMulti-Head Attention)模块、多头注意力(Multi-Head Attention)模 块、残差连接(Add&Norm)的前馈(Feed Forward)神经网络、归一化(Linear) 处理模块以及函数(softmax)模块。
上文中结合附图从功能模块的角度描述了本申请实施例的装置和系统。 应理解,该功能模块可以通过硬件形式实现,也可以通过软件形式的指令实 现,还可以通过硬件和软件模块组合实现。具体地,本申请实施例中的方法 实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的 指令完成,结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处 理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。可选 地,软件模块可以位于随机存储器,闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质 位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法实施例 中的步骤。
图6是本申请实施例提供的电子设备500的示意性框图。
如图6所示,该电子设备500可包括:
存储器510和处理器520,该存储器510用于存储计算机程序511,并将 该程序代码511传输给该处理器520。换言之,该处理器520可以从存储器 510中调用并运行计算机程序511,以实现本申请实施例中的方法。
例如,该处理器520可用于根据该计算机程序511中的指令执行上述方 法200中的步骤。
在本申请的一些实施例中,该处理器520可以包括但不限于:
通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集 成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门 或者晶体管逻辑器件、分立硬件组件等等。
在本申请的一些实施例中,该存储器510包括但不限于:
易失性存储器和/或非易失性存储器。其中,非易失性存储器可以是只读 存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM, PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除 可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器 可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速 缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随 机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM, DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍 数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,ESDRAM)、 同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)。
在本申请的一些实施例中,该计算机程序511可以被分割成一个或多个 模块,该一个或者多个模块被存储在该存储器510中,并由该处理器520执 行,以完成本申请提供的录制页面的方法。该一个或多个模块可以是能够完 成特定功能的一系列计算机程序指令段,该指令段用于描述该计算机程序511 在该电子设备500中的执行过程。
如图6所示,该电子设备500还可包括:
收发器540,该收发器540可连接至该处理器520或存储器510。
其中,处理器520可以控制该收发器540与其他设备进行通信,具体地, 可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。收发 器540可以包括发射机和接收机。收发器540还可以进一步包括天线,天线 的数量可以为一个或多个。
应当理解,该电子设备500中的各个组件通过总线系统相连,其中,总 线系统除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。
本申请还提供了一种计算机存储介质,其上存储有计算机程序,该计算 机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者 说,本申请实施例还提供一种包含指令的计算机程序产品,该指令被计算机 执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。 该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计 算机程序指令时,全部或部分地产生按照本申请实施例该的流程或功能。该 计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。 该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存 储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个 网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数 字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等) 方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可 读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可 用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介 质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc, DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各 示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结 合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特 定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方 法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请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。例如,以上所描述的装置实施例仅仅是示 意性的,例如,该模块的划分,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,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。
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模块,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 部模块来实现本实施例方案的目的。例如,在本申请各个实施例中的各功能 模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以 两个或两个以上模块集成在一个模块中。
以上该,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想 到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范 围应以该权利要求的保护范围为准。
- 识别标签的方法、训练标签识别模型的方法、装置及设备
- 无线识别标签、其制作方法、制作装置、无线识别标签用的薄片部件、及用于无线识别标签制作的安装在其制作装置上的箱