图像分类方法、装置、计算机设备及存储介质

技术领域

本发明涉及计算机技术领域，具体涉及一种图像分类方法、装置、计算机设备及存储介质。

背景技术

传统解决图像分类任务的卷积神经网络的卷积核均是静态的，即在推理阶段卷积核的参数值不会随着输入图像特征的改变而改变。提升静态卷积神经网络分类准确率的方法通常是增加网络的宽度(Width)和深度(Depth)，然而，增加网络宽度和深度得到的重量级网络不利于部署在移动端和嵌入式设备。

动态卷积神经网络通过设置多套卷积核，基于特征图对每套卷积核施加注意力机制(Squeeze and Excitation)，赋予每套卷积核不同的权重因子，从而赋予了卷积核的数据依赖性，最后通过卷积核的线性加权聚合实现动态卷积。

然而，传统的动态卷积神经网络(比如CondConv)中加权卷积核的方法仅仅是权重因子与输入特征图相关，导致图像分类的准确度提升有限，故，还有待于进一步提升图像分类的准确度。

发明内容

基于此，有必要针对上述问题，提出一种可以提高图像分类准确度的图像分类方法、装置、计算机设备及存储介质。

一种图像分类方法，包括：

获取待分类的目标图像；

将所述目标图像作为图像分类模型的输入，获取所述图像分类模型输出的分类结果，所述图像分类模型中包括卷积层，所述卷积层中包含有动态卷积模块，所述动态卷积模块包括：卷积核生成器和卷积核权重因子生成器；所述卷积核生成器用于根据输入特征图生成N个卷积核，所述卷积核权重因子生成器用于根据输入特征图生成N个卷积核权重因子，所述N为正整数；所述动态卷积模块还用于根据所述N个卷积核和所述N个卷积核权重因子进行非线性聚合得到动态卷积核；所述卷积层基于所述动态卷积核对所述输入特征图进行处理得到输出特征图。

一种图像分类装置，包括：

获取模块，用于获取待分类的目标图像；

分类模块，用于将所述目标图像作为图像分类模型的输入，获取所述图像分类模型输出的分类结果，所述图像分类模型中包括卷积层，所述卷积层中包含有动态卷积模块，所述动态卷积模块包括：卷积核权重因子生成器和卷积核生成器；所述卷积核权重因子生成器用于根据输入特征图生成N个卷积核权重因子；所述卷积核生成器用于根据输入特征图生成N个卷积核，所述N为正整数；所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性聚合得到动态卷积核；所述卷积层基于所述动态卷积核对所述输入特征图进行处理得到输出特征图。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

获取待分类的目标图像；

将所述目标图像作为图像分类模型的输入，获取所述图像分类模型输出的分类结果，所述图像分类模型中包括卷积层，所述卷积层中包含有动态卷积模块，所述动态卷积模块包括：卷积核生成器和卷积核权重因子生成器；所述卷积核生成器用于根据输入特征图生成N个卷积核，所述卷积核权重因子生成器用于根据输入特征图生成N个卷积核权重因子，所述N为正整数；所述动态卷积模块还用于根据所述N个卷积核和所述N个卷积核权重因子进行非线性聚合得到动态卷积核；所述卷积层基于所述动态卷积核对所述输入特征图进行处理得到输出特征图。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

获取待分类的目标图像；

将所述目标图像作为图像分类模型的输入，获取所述图像分类模型输出的分类结果，所述图像分类模型中包括卷积层，所述卷积层中包含有动态卷积模块，所述动态卷积模块包括：卷积核生成器和卷积核权重因子生成器；所述卷积核生成器用于根据输入特征图生成N个卷积核，所述卷积核权重因子生成器用于根据输入特征图生成N个卷积核权重因子，所述N为正整数；所述动态卷积模块还用于根据所述N个卷积核和所述N个卷积核权重因子进行非线性聚合得到动态卷积核；所述卷积层基于所述动态卷积核对所述输入特征图进行处理得到输出特征图。

上述图像分类方法、装置、计算机设备及存储介质，图像分类模型的卷积层中包含有动态卷积模块，该动态卷积模块中包含有卷积核生成器和卷积核权重因子生成器，卷积核生成器用于根据输入特征图生成N个卷积核，卷积核权重因子用于根据输入特征图生成N个卷积核权重因子，然后基于该N个卷积核和N个卷积核权重因子计算得到动态卷积核，继而卷积层根据目标卷积层对输入特征图进行处理得到输出特征图。该图像分类模型中嵌入动态卷积模块可以在增加少量计算量的情况下，大幅度提升数据分类的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

其中：

图1是一个实施例中图像分类方法的流程图；

图2是一个实施例中生成卷积权重因子的方法流程图；

图3是一个实施例中生成卷积核的方法流程图；

图4是一个实施例中动态卷积模块的结构示意图；

图5是一个实施例中图像分类装置的结构框图；

图6是一个实施例中计算机设备的内部结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，提出了一种图像分类方法，该图像分类方法可以应用于终端，也可以应用于服务器，本实施例以应用于终端举例说明。该图像分类方法具体包括以下步骤：

步骤102，获取待分类的目标图像。

其中，目标图像可以是直接拍摄得到的图像，也可以是从相册中获取的已存储的图像。

步骤104，将目标图像作为图像分类模型的输入，获取图像分类模型输出的分类结果，图像分类模型中包括卷积层，卷积层中包含有动态卷积模块，动态卷积模块包括：卷积核权重因子生成器和卷积核生成器；卷积核权重因子生成器用于根据输入特征图生成N个卷积核权重因子；卷积核生成器用于根据输入特征图生成N个卷积核，N为正整数；动态卷积模块还用于根据N个卷积核权重因子和N个卷积核进行非线性聚合得到动态卷积核；卷积层基于动态卷积核对输入特征图进行处理得到输出特征图。

其中，动态卷积模块为嵌入在卷积层中的动态卷积网络，其作用于是根据输入特征图动态生成卷积核以及卷积核的权重因子。具体地，动态卷积模块包括：卷积核生成器和卷积核权重因子生成器，卷积核生成器和卷积核权重因子生成器是采用网络结构来实现的。生成的卷积核和卷积核权重因子是与输入特征图关联的，即卷积核以及卷积核权重因子中的参数值具有对输入特征图的依赖性。N个卷积核和N个卷积核权重因子是一一对应的，即一个卷积核对应一个卷积核权重因子。在得到了N个卷积核权重因子和N个卷积核后，根据N个卷积核权重因子和所述N个卷积核进行计算得到动态卷积核。

在一个实施例中，动态卷积核的计算如下：

在一个实施例中，该图像分类方法可以应用于ImageNet中的图像分类。ImageNet是一个计算机视觉系统识别项目名称，是目前世界上图像识别最大的数据库。

上述图像分类方法中，图像分类模型的卷积层中包含有动态卷积模块，该动态卷积模块中包含有卷积核生成器和卷积核权重因子生成器，卷积核生成器用于根据输入特征图生成N个卷积核，卷积核权重因子用于根据输入特征图生成N个卷积核权重因子，然后基于该N个卷积核和N个卷积核权重因子计算得到动态卷积核，继而卷积层根据目标卷积层对输入特征图进行处理得到输出特征图。该图像分类模型中嵌入动态卷积模块可以在增加少量计算量的情况下，大幅度提升数据分类的准确度。

在一个实施例中，所述N个卷积核权重因子是根据所述输入特征图的通道维度确定的，所述N个卷积核是根据所述输入特征图的空间维度确定的。

其中，输入特征图分为通道维度和空间维度。例如，输入特征图为M*M*C，其中，M*M为空间维度范围的特征，C为通道维度范围的特征，即通过对输入特征图的通道维度施加注意力机制计算卷积核权重因子，对输入特征图的空间维度施加1*1卷积计算得到卷积核。

如图2所示，在一个实施例中，卷积核权重因子生成器用于根据输入特征图生成N个卷积核权重因子，包括：

步骤202，将输入特征图进行全局平均池化处理得到一维向量。

其中，输入特征图是由多个通道特征图组成的，比如，输入特征图为K*K*C，那么该输入特征图实际上由C个通道特征图K*K组成的。全局平均池化是针对整张通道特征图进行处理，对应输出一个值，即一张通道特征图经过全局平均池化后对应一个值。将输入特征图进行全局平均池化处理后只对应输出C个值(C个通道)，该C个值组成了一个长度为C的一维向量。通过全局平均池化处理后只保留了通道的信息，所以卷积核权重因子的生成只与输入特征图的通道维度有关。

步骤204，采用两个全连接层将一维向量转换为长度为N的一维向量。

其中，全连接层的每个结点都与上一层的所有结点相连，用来把前边提取到的特征进行综合。全连接层的作用是：综合前面提取的图像特征，然后进行分类。

假设，两个全连接层分别为第一全连接层和第二全连接层，将一维向量先作为第一全连接层的输入，然后获取第一全连接层的输出，然后将第一全连接层的输出作为第二全连接层的输入，最后第二全连接层输出长度为N的一维向量。需要说明的是，全连接层的输入个数和输出个数是可以预先设置的，第二全连接层预先将输出设置为N，即预先将卷积核权重因子分为N类，输出每一个卷积核的权重。

步骤206，对长度为N的一维向量进行归一化处理得到N个卷积核权重因子。

其中，为了使得输出的卷积核权重因子转换为[0-1]之间的数，且保证多个卷积核权重因子的和为1，在得到长度为N的一维向量后，对该长度为N的一维向量进行归一化处理，比如，可以采用Sigmoid函数进行归一化处理。归一化处理后的卷积核权重因子满足

上述实施例中通过卷积核权重因子生成器根据输入特征图中的通道维度生成卷积核权重因子，即卷积核权重因子依赖于输入特征图，有利于有针对性地对输入特征图进行提取，从而有利于提高特征提取的准确度。

如图3所示，在一个实施例中，所述卷积核生成器用于根据输入特征图生成N个卷积核，包括：

步骤302，对输入特征图进行自适应平均池化转换为三维张量。

其中，自适应平均池化是指只需要给定池化后输出特征图的大小，自适应平均池化会自动根据给定的输出特征图的大小来进行池化操作，自适应池化后的通道数量前后是不发生变化的。比如，假设输入特征图为1248*1248*100，设定输出特征图大小为512*512，那么经过自适应平均池化后得到512*512*100。

三维张量可以理解为包括长、宽和高三个维度，比如，512*512*100就是一个三维张量。如果预先将输出特征图的大小设为K*K，那么得到的三维张量表示为K*K*C，其中，C表示通道数。

由于自适应平均池化只作用于图像空间维度，所以可以理解为卷积核的生成只与输入特征图的空间维度有关。

步骤304，采用两个1*1卷积将三维张量转换为包含有N个卷积核的三维张量。

其中，1*1卷积的数量决定了输出的通道个数，比如，如果想要输出的通道个数为8，那么采用8个1*1的卷积核对图像特征进行提取，得到特征图通道数为8，故，采用1*1卷积可以对图像进行降维或升维。具体地，所以采用第一个1*1卷积将得到的三维张量转换为包含有预设数量的三维张量。比如，假设输入的三维张量为k*k*C1，第一个1*1卷积处理后得到k*k*(N*N)，第二个1*1卷积处理的输出为k*k*(N*(C1*C2))，其中，C1表示输入通道数，C2表示输出通道数，N表示N组向量，即N组k*k*C1*C2的向量。

步骤306，将包含有N个卷积核的三维张量分为N份得到N个卷积核。

其中，将最后得到的三维张量分为N份，相应地得到N个卷积核。包含有N个卷积核的三维张量表示为k*k*(N*(C1*C2))，分成N份，每一份表示为k*k*(C1*C2)。

上述实施例中通过卷积核生成器根据输入特征图生成卷积核，即卷积核依赖于输入特征图，根据生成的卷积核进行特征提取，有利于有针对性地对输入特征图进行提取，从而有利于提高特征提取的准确度。

在一个实施例中，所述N个卷积核的大小相同；所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性聚合得到动态卷积核，包括：所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性加权平均得到所述动态卷积核。

其中，生成的N个卷积核大小相同，当然卷积核中的参数是不同。根据每个卷积核对应的卷积核权重因子进行非线性加权平均计算得到动态卷积核。之所以是非线性加权平均是因为卷积核和卷积核权重因子都是输入特征图的函数，因此两者进行加权是属于非线性聚合。

在一个实施例中，所述图像分类模型为轻量级神经网络，所述动态卷积模块嵌入在所述轻量级神经网络中的卷积层中。

其中，图像分类模型采用轻量级神经网络模型，比如，MobileNetV1-V3。动态卷积模块是嵌入在卷积层中，用来替代传统卷积层中的部分卷积核或全部卷积核。通过动态卷积模块可以根据输入特征图的特征动态生成与之匹配的多个卷积核以及每个卷积核对应的权重因子，从而有利于提取到更加准确的图像特征，进而提高了图像分类的准确度。

如图4所示，动态卷积模块的内部结构示意图，动态卷积模块内部分为3个分支，分别是卷积核权重因子生成器、卷积核生成器和另一个用来和生成的动态卷积核做卷积。其中，卷积核权重生成器(Route Function Generator，RFG)中包括4个步骤：全局平均池化(Global Average Pooling)、全连接层1(S-Fully-ConnectedLayer)、全连接层2(E-Fully-Connected Layer)和归一化(Sigmoid函数)。卷积核生成器(Convolution KernelGenerator，CKG)中也包括3个步骤：自适应池化(Adaptive Average Pooling、1*1卷积层、1*1卷积层)。之后，卷积核权重因子生成器输出N个卷积核权重因子，卷积核生成器输出N个卷积核，将所述N个卷积核权重因子和N个卷积核进行加权平均得到动态卷积核，动态卷核的计算公式为

如图5所示，在一个实施例中，提出了一种图像分类装置，包括：

获取模块502，用于获取待分类的目标图像；

分类模块504，用于将所述目标图像作为图像分类模型的输入，获取所述图像分类模型输出的分类结果，所述图像分类模型中包括卷积层，所述卷积层中包含有动态卷积模块，所述动态卷积模块包括：卷积核权重因子生成器和卷积核生成器；所述卷积核权重因子生成器用于根据输入特征图生成N个卷积核权重因子；所述卷积核生成器用于根据输入特征图生成N个卷积核，所述N为正整数；所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性聚合得到动态卷积核；所述卷积层基于所述动态卷积核对所述输入特征图进行处理得到输出特征图。

在一个实施例中，所述N个卷积核权重因子是根据所述输入特征图的通道维度确定的，所述N个卷积核是根据所述输入特征图的空间维度确定的。

在一个实施例中，卷积核权重因子生成器还用于将所述输入特征图进行全局平均池化处理得到一维向量；采用两个全连接层将所述一维向量转换为长度为N的一维向量；对所述长度为N的一维向量进行归一化处理得到N个卷积核权重因子。

在一个实施例中，所述卷积核生成器还用于对所述输入特征图进行自适应平均池化转换为三维张量；采用两个1*1卷积将所述三维张量转换为包含有N个卷积核的三维张量；将所述包含有N个卷积核的三维张量分为N份得到N个卷积核。

在一个实施例中，所述N个卷积核的大小相同；所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性加权平均得到所述动态卷积核。

在一个实施例中，所述图像分类模型为轻量级神经网络，所述动态卷积模块嵌入在所述轻量级神经网络中的卷积层中。

在一个实施例中，所述图像分类模型中的卷积层有多个；所述分类模块还用于将所述目标图像作为首层卷积层的输入特征图，所述首层卷积层根据所述输入特征图和所述动态卷积模块计算得到动态卷积核，基于所述动态卷积核对输入特征图进行处理得到输出特征图；将所述输出特征图作为下一层卷积层的输入特征图，以此类推，直到得到尾层卷积层输出的输出特征图；根据所述尾层卷积层输出的输出特征图确定所述目标图像的分类结果。

图6示出了一个实施例中计算机设备的内部结构图。如图6所示，该计算机设备包括通过系统总线连接的处理器、存储器、摄像头和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述的图像分类方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述的图像分类方法。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取待分类的目标图像；将所述目标图像作为图像分类模型的输入，获取所述图像分类模型输出的分类结果，所述图像分类模型中包括卷积层，所述卷积层中包含有动态卷积模块，所述动态卷积模块包括：卷积核权重因子生成器和卷积核生成器；所述卷积核权重因子生成器用于根据输入特征图生成N个卷积核权重因子；所述卷积核生成器用于根据输入特征图生成N个卷积核，所述N为正整数；所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性聚合得到动态卷积核；所述卷积层基于所述动态卷积核对所述输入特征图进行处理得到输出特征图。

在一个实施例中，所述N个卷积核权重因子是根据所述输入特征图的通道维度确定的，所述N个卷积核是根据所述输入特征图的空间维度确定的。

在一个实施例中，卷积核权重因子生成器用于根据输入的输入特征图生成N个卷积核权重因子，包括：将所述输入特征图进行全局平均池化处理得到一维向量；采用两个全连接层将所述一维向量转换为长度为N的一维向量；对所述长度为N的一维向量进行归一化处理得到N个卷积核权重因子。

在一个实施例中，所述卷积核生成器用于根据输入的输入特征图生成N个卷积核，包括：对所述输入特征图进行自适应平均池化转换为三维张量；采用两个1*1卷积将所述三维张量转换为包含有N个卷积核的三维张量；将所述包含有N个卷积核的三维张量分为N份得到N个卷积核。

在一个实施例中，所述N个卷积核的大小相同；所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性聚合得到动态卷积核，包括：所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性加权平均得到所述动态卷积核。

在一个实施例中，所述图像分类模型为轻量级神经网络，所述动态卷积模块嵌入在所述轻量级神经网络中的卷积层中。

在一个实施例中，所述图像分类模型中的卷积层有多个；将所述目标图像作为图像分类模型的输入，获取所述图像分类模型输出的分类结果，包括：将所述目标图像作为首层卷积层的输入特征图，所述首层卷积层根据所述输入特征图和所述动态卷积模块计算得到动态卷积核，基于所述动态卷积核对输入特征图进行处理得到输出特征图；将所述输出特征图作为下一层卷积层的输入特征图，以此类推，直到得到尾层卷积层输出的输出特征图；根据所述尾层卷积层输出的输出特征图确定所述目标图像的分类结果。

在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：获取待分类的目标图像；将所述目标图像作为图像分类模型的输入，获取所述图像分类模型输出的分类结果，所述图像分类模型中包括卷积层，所述卷积层中包含有动态卷积模块，所述动态卷积模块包括：卷积核权重因子生成器和卷积核生成器；所述卷积核权重因子生成器用于根据输入特征图生成N个卷积核权重因子；所述卷积核生成器用于根据输入特征图生成N个卷积核，所述N为正整数；所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性聚合得到动态卷积核；所述卷积层基于所述动态卷积核对所述输入特征图进行处理得到输出特征图。

在一个实施例中，所述N个卷积核权重因子是根据所述输入特征图的通道维度确定的，所述N个卷积核是根据所述输入特征图的空间维度确定的。

在一个实施例中，卷积核权重因子生成器用于根据输入的输入特征图生成N个卷积核权重因子，包括：将所述输入特征图进行全局平均池化处理得到一维向量；采用两个全连接层将所述一维向量转换为长度为N的一维向量；对所述长度为N的一维向量进行归一化处理得到N个卷积核权重因子。

在一个实施例中，所述卷积核生成器用于根据输入的输入特征图生成N个卷积核，包括：对所述输入特征图进行自适应平均池化转换为三维张量；采用两个1*1卷积将所述三维张量转换为包含有N个卷积核的三维张量；将所述包含有N个卷积核的三维张量分为N份得到N个卷积核。

在一个实施例中，所述N个卷积核的大小相同；所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性聚合得到动态卷积核，包括：所述动态卷积模块还用于根据所述N个卷积核权重因子和所述N个卷积核进行非线性加权平均得到所述动态卷积核。

在一个实施例中，所述图像分类模型为轻量级神经网络，所述动态卷积模块嵌入在所述轻量级神经网络中的卷积层中。

在一个实施例中，所述图像分类模型中的卷积层有多个；将所述目标图像作为图像分类模型的输入，获取所述图像分类模型输出的分类结果，包括：将所述目标图像作为首层卷积层的输入特征图，所述首层卷积层根据所述输入特征图和所述动态卷积模块计算得到动态卷积核，基于所述动态卷积核对输入特征图进行处理得到输出特征图；将所述输出特征图作为下一层卷积层的输入特征图，以此类推，直到得到尾层卷积层输出的输出特征图；根据所述尾层卷积层输出的输出特征图确定所述目标图像的分类结果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。