训练方法、图像检索方法、图像处理方法、装置及设备

技术领域

本公开涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术。具体地，涉及一种深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法、图像处理方法、装置、电子设备以及存储介质。

背景技术

深度学习，也称为深度结构化学习或分层学习，是基于人工神经网络的更广泛的机器学习方法族的一部分。深度学习架构，例如深度神经网络、深度信念网络、循环神经网络和卷积神经网络，已经被应用于包括计算机视觉、语音识别、自然语言处理、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检查和棋盘游戏程序在内的领域。为保证各领域内输出结果的准确性，相应的模型训练必不可少。

发明内容

本公开提供了一种深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法、图像处理方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种深度学习模型的训练方法，包括：利用子模型处理样本图像，得到样本图像特征数据；利用上述子模型处理上述样本图像特征数据和样本任务特征数据，得到样本实例特征数据，其中，上述样本任务特征数据是根据上述样本图像确定的；基于对比损失函数，利用至少两个上述样本实例特征数据，训练至少两个上述子模型，其中，上述至少两个上述子模型的训练数据不同；以及，根据训练后的子模型得到经训练的深度学习模型。

根据本公开的另一方面，提供了一种图像检索方法，包括：将待检索图像集的多个待检索图像输入深度学习模型，得到多个待检索实例特征数据；将错误图像输入上述深度学习模型，得到错误实例特征数据；以及，根据上述多个待检索实例特征数据和上述错误实例特征数据，从上述待检索图像集中确定与上述错误图像对应的检索图像集；其中，上述深度学习模型是利用根据本公开的深度学习模型的训练方法训练得到的。

根据本公开的另一方面，提供了一种图像处理模型的训练方法，包括：利用第三样本图像和标签数据训练图像处理模型，得到经训练的图像处理模型，其中，上述第三样本图像包括检索图像集，上述检索图像集中各个检索图像的标签数据是根据与上述检索图像对应的至少一个错误图像的标签数据确定的；其中，上述检索图像集是利用根据本公开的图像检索方法确定的。

根据本公开的另一方面，提供了一种图像处理方法，包括：将待处理图像输入图像处理模型，得到图像处理结果；其中，上述图像处理模型是利用根据本公开的图像处理模型的训练方法训练得到的。

根据本公开的一方面，提供了一种深度学习模型的训练装置，包括：第一获得模块，用于利用子模型处理样本图像，得到样本图像特征数据；第二获得模块，用于利用上述子模型处理上述样本图像特征数据和样本任务特征数据，得到样本实例特征数据，其中，上述样本任务特征数据是根据上述样本图像确定的；训练模块，用于基于对比损失函数，利用至少两个上述样本实例特征数据，训练至少两个上述子模型，其中，上述至少两个上述子模型的训练数据不同；以及，第三获得模块，用于根据训练后的子模型得到经训练的深度学习模型。

根据本公开的另一方面，提供了一种图像检索装置，包括：第四获得模块，用于将待检索图像集的多个待检索图像输入深度学习模型，得到多个待检索实例特征数据；第五获得模块，用于将错误图像输入上述深度学习模型，得到错误实例特征数据；以及，确定模块，用于根据上述多个待检索实例特征数据和上述错误实例特征数据，从上述待检索图像集中确定与上述错误图像对应的检索图像集；其中，上述深度学习模型是利用根据本公开的深度学习模型的训练装置训练得到的。

根据本公开的另一方面，提供了一种图像处理模型的训练装置，包括：第六获得模块，用于利用第三样本图像和标签数据训练图像处理模型，得到经训练的图像处理模型，其中，上述第三样本图像包括检索图像集，上述检索图像集中各个检索图像的标签数据是根据与上述检索图像对应的至少一个错误图像的标签数据确定的；其中，上述检索图像集是利用根据本公开的图像检索装置确定的。

根据本公开的另一方面，提供了一种图像处理装置，包括：第七获得模块，用于将待处理图像输入图像处理模型，得到图像处理结果；其中，上述图像处理模型是利用根据本公开的图像处理模型的训练装置训练得到的。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行本公开上述的深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法以及图像处理方法其中至少之一。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行本公开上述的深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法以及图像处理方法其中至少之一。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现本公开上述的深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法以及图像处理方法其中至少之一。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的可以应用深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法、图像处理方法及装置的示例性系统架构；

图2示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图；

图3示意性示出了根据本公开实施例的利用子模型处理样本图像，得到样本图像特征数据的流程图；

图4示意性示出了根据本公开实施例的利用子模型处理样本图像特征数据和样本任务特征数据，得到样本实例特征数据的流程图；

图5示意性示出了根据本公开另一实施例的对样本融合特征数据和样本任务特征数据进行任务特征提取，得到样本实例特征数据的流程图；

图6示意性示出了根据本公开实施例的基于对比损失函数，利用至少两个样本实例特征数据，训练至少两个子模型的流程图；

图7示意性示出了根据本公开实施例的深度学习模型的示意性结构图；

图8示意性示出了根据本公开另一实施例的深度学习模型的示意性结构图；

图9示意性示出了根据本公开实施例的图像检索方法的流程图；

图10示意性示出了根据多个待检索实例特征数据和错误实例特征数据，从待检索图像集中确定与错误图像对应的检索图像集的流程图；

图11示意性示出了根据本公开实施例的图像处理模型的训练方法的流程图；

图12示意性示出了根据本公开实施例的图像处理方法的流程图；

图13示意性示出了根据本公开实施例的深度学习模型的训练装置的框图；

图14示意性示出了根据本公开实施例的图像检索装置的框图；

图15示意性示出了根据本公开实施例的图像处理模型的训练装置的框图；

图16示意性示出了根据本公开实施例的图像处理装置的框图；以及

图17示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

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。

在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、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

在深度学习领域，训练数据的构建决定了模型的上下限，更多的标注数据意味着模型具备更强的潜力及效果。经训练后的模型已经拟合部分数据分布，如果针对该经训练后的模型，加入与已拟合数据分布比较相似的数据，并不能进一步提升该经训练后的模型的效果。因此，需要从海量数据中筛选出对该经训练后的模型有益的数据。就模型的表现而言，海量数据中能够使经训练后的模型收益最大的数据，为该经训练后的模型无法泛化到的部分数据。

主动学习方法(Activate Learning，AL)和未标注数据学习(Unseen DataLearning，UDL)方法可以用于从海量数据中抽取样本数据并进行标注学习。AL包括不确定性学习和分布学习。UDL倾向于表征无监督学习和半监督学习。

不确定性学习是指在模型训练拟合的过程中，不同的样本组合产生的不同损失。在模型输出收敛之后，由于拟合能力的局限性以及数据内部分布不一致，导致模型在当前训练集上产生不同的最优解或不同的次优解。因此，不确定性学习在于通过添加更平滑的数据让解更加统一。

分布学习包括学习与当前训练集分布差异较大的数据或者边缘数据。在分布学习的过程中，一些自编码的方法通过对整体数据进行拟合，确定整体数据分布。求取当前数据在该整体数据分布下的编码，通过散点等分布方法求取当前数据在当前训练集中的位置以及未知数据的编码。一些判别学习方法直接通过判定当前数据是否在当前训练集中来确认样本是否对模型有增益。

发明人在实现本公开构思的过程中发现，基于上述方法进行样本挖掘的效果欠佳。

图1示意性示出了根据本公开实施例的可以应用深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法、图像处理方法及装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法、图像处理方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法、图像处理方法及装置。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法、图像处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的深度学习模型的训练装置、图像检索装置、图像处理模型的训练装置、图像处理装置一般可以设置于服务器105中。本公开实施例所提供的深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法、图像处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的深度学习模型的训练装置、图像检索装置、图像处理模型的训练装置、图像处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

或者，本公开实施例所提供的深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法、图像处理方法一般也可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的深度学习模型的训练装置、图像检索装置、图像处理模型的训练装置、图像处理装置也可以设置于终端设备101、102、或103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。

图2示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图。

如图2所示，该方法包括操作S210～S240。

在操作S210，利用子模型处理样本图像，得到样本图像特征数据。

在操作S220，利用子模型处理样本图像特征数据和样本任务特征数据，得到样本实例特征数据，样本任务特征数据是根据样本图像确定的。

在操作S230，基于对比损失函数，利用至少两个样本实例特征数据，训练至少两个子模型，至少两个子模型的训练数据不同。

在操作S240，根据训练后的子模型得到经训练的深度学习模型。

根据本公开的实施例，子模型可以指用于提取图像信息的模型。

根据本公开的实施例，样本图像可以包括用于实现检测任务的图像。例如，样本图像可以包括票据图像、标识牌图像以及包括结构化信息的其他图像等其中至少之一。票据图像例如可以包括火车票图像、汽车票图像、医疗文本图像等其中至少之一，且可不限于此。

根据本公开的实施例，样本图像特征数据可以包括与样本图像的文本特征、颜色特征、纹理特征、形状特征以及第一样本图像所包括的其他特征等其中至少之一相关的数据。

根据本公开的实施例，样本任务特征数据可以包括与针对样本图像执行的任务相关的特征数据。例如，针对样本图像执行的任务可以包括检测任务。检测任务可以包括实体检测任务和字段检测任务等其中至少之一。样本任务特征数据可以包括与样本图像中的待检测实体相关的评估值以及图像的几何特征等其中至少之一。图像的几何特征可以包括表征图像中目标对象的位置、方向、周长和面积等其中至少之一方面的特征。

根据本公开的实施例，样本实例特征数据可以用于表征样本图像包括的对象的特征数据。样本图像可以包括至少一个对象。对象的特征数据可以包括与样本图像相关的图像级别特征，也可以包括与针对样本图像执行的任务相关的任务级别特征，还可以包括图像级别和任务级别的特征。由此，样本实例特征数据可以包括与样本图像相关的图像级别特征，也可以包括与针对样本图像执行的任务相关的任务级别特征，还可以包括图像级别和任务级别的特征。

需要说明的是，上述各类特征数据均可以以向量、数据包等形式存在。

根据本公开的实施例，对比损失函数可以根据与相似度相关的参数构建，基于据此构建得到的对比损失函数，训练得到的深度学习模型，可以具有相似性学习及度量等功能。

根据本公开的实施例，经训练的深度学习模型可以包括训练后的子模型。用于训练各个子模型的训练数据不同，训练数据可以包括样本图像，由此，至少两个训练后的子模型具有与各自对应的样本图像。至少两个训练后的子模型的模型参数的数值可以完全一致、部分一致或完全不一致。

根据本公开的实施例，每个子模型可以用于处理与该子模型对应的样本图像，得到与该子模型对应的样本图像特征数据。样本任务特征数据可以是利用预先训练完成的深度学习模型处理样本图像数据得到的。在获得与该子模型对应的样本图像特征数据和样本任务特征数据之后，可以利用与该子模型处理样本图像特征数据和样本任务特征数据，得到与该子模型对应的样本实例特征数据。可以利用上述操作得到与每个子模型对应的样本实例特征数据。在获得与子模型对应的样本实例特征数据之后，可以利用对比损失函数处理与至少两个子模型各自对应的样本实例特征数据，得到输出值，根据输出值调整至少两个子模型的模型参数，得到至少两个训练后的子模型。参与训练的子模型的数目可以是两个，也可以是两个以上，可以根据实际业务需求进行配置，在此不作限定。根据训练后的子模型得到经训练的深度学习模型。例如，可以将训练后的子模型确定为经训练的深度学习模型。经训练的深度学习模型包括的训练后的子模型的数目可以是一个。

根据本公开的实施例，操作S210～S240可以由电子设备执行。电子设备可以是服务器或终端设备。服务器可以是图1中的服务器105。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。

通过本公开的上述实施例，基于对比损失函数，利用至少两个样本实例特征数据训练至少两个子模型，得到经训练的深度学习模型，样本实例特征数据是根据样本图像的样本图像特征数据和样本任务特征数据得到的。由于样本实例特征数据中融合了与任务相关的任务特征数据，因此，基于至少两个样本实例特征数据进行对比学习，能够使得经训练的深度学习模型学习到与更为准确地与任务相关的实例特征，由此，提高了经训练的深度学习模型的表征效果，进而提高了后续利用经训练的深度学习模型进行样本挖掘的挖掘效果。

根据本公开的实施例，至少两个子模型的训练数据可以是利用数据增强方法处理原始样本图像得到的。

根据本公开的实施例，原始样本图像可以包括用于实现检测任务的图像。例如，原始样本图像可以包括票据图像、标识牌图像以及包括结构化信息的其他图像等其中至少之一。数据增强方法例如可以包括颜色变化、小尺度缩放以及其他扰动方式等其中至少之一。可以利用两种不同的扰动方式对原始样本图像进行处理，得到用于训练子模型的训练数据。

通过本公开的上述实施例，可以利用数据增强方法处理原始样本图像的方式，得到合适的训练数据，有利于为深度学习模型的训练过程提供有效、可靠的样本数据。

下面参考图3～图8，结合具体实施例对根据本公开实施例所述的深度学习模型的训练方法做进一步说明。

图3示意性示出了根据本公开实施例的利用子模型处理样本图像，得到样本图像特征数据的流程图。

如图3所示，该方法可以是对图2中的操作S210的进一步限定，该方法包括操作S311。

在操作S311，对样本图像进行图像特征提取，得到样本图像特征数据。

根据本公开的实施例，子模型可以包括用于实现特征提取的模型结构。例如，用于实现特征提取的模型结构可以包括骨干(即Backbone)模块。可以利用骨干模块对样本图像进行图像特征提取，得到样本图像特征数据。

根据本公开的实施例，操作S311可以由电子设备执行。电子设备可以是服务器或电子设备。服务器可以是图1中的服务器105。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。

图4示意性示出了根据本公开实施例的利用子模型处理样本图像特征数据和样本任务特征数据，得到样本实例特征数据的流程图。

如图4所示，该方法可以是对图2中的操作S220的进一步限定，该方法包括操作S421～S423。

在操作S421，对样本图像进行任务特征提取，得到样本任务特征数据。

在操作S422，根据样本图像特征数据和样本任务特征数据，得到样本融合特征数据。

在操作S423，对样本融合特征数据和样本任务特征数据进行实例特征提取，得到样本实例特征数据。

根据本公开的实施例，在针对样本图像执行的任务可以包括实体检测任务、图像分类任务以及其他检测任务等其中至少之一的情况下，对样本图像进行任务特征提取的过程例如可以由实体检测模型、图像分类模型以及其他检测模型等其中至少之一来完成。例如，可以基于EnDet模型，对样本图像进行任务特征提取，并可得到样本任务特征数据。EnDet模型作为一种实体检测模型，可以用于检测图像中的实体，实现图像中结构化信息的抽取。

根据本公开的实施例，样本融合特征数据可以表征样本图像的全局特征。样本实例特征数据可以表征样本图像中的某个或某些实体信息在图像维度和任务维度所对应的特征数据。

根据本公开的实施例，可以将样本图像特征数据和样本任务特征数据进行相加，得到样本融合特征数据。备选地，可以将样本图像特征数据和样本任务特征数据进行拼接，得到样本融合特征数据。

根据本公开的实施例，子模型可以包括用于提取实例特征的模型结构。例如，用于提取实例特征的模型结构可以包括实例特征提取模块。实例特征提取模块可以包括ROI(Region of Interest，感兴趣区域)pool(即池化)。

根据本公开的实施例，操作S421～S423可以由电子设备执行。电子设备可以是服务器或终端设备。服务器可以是图1中的服务器105。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。

通过本公开的上述实施例，根据样本图像特征数据和样本任务特征数据得到的样本融合特征数据，结合样本任务特征数据，得到样本实例特征数据，能够在实例特征中引入任务特征。基于此训练得到的模型能够根据输入信息的任务特征进行信息处理，可有效提高信息处理效果。

根据本公开的实施例，样本任务特征数据可以包括样本评估特征图和样本几何特征图。

根据本公开的实施例，操作S423可以包括如下操作。

基于评估特征图和实例特征提取模块，从样本融合特征数据上提取实例特征，得到样本实例特征数据。

根据本公开的实施例，样本评估特征图可以表征与样本图像的任务执行结果相关的评估值特征等。样本几何特征图可以表征样本图像的几何特征等。

根据本公开的实施例，在提取得到包括样本评估特征图的样本任务特征数据，以及得到样本融合特征数据的情况下，可以将样本评估特征图作为样本实例掩码(即Mask)图，根据样本实例掩码图，对第一样本融合特征数据进行标记，得到感兴趣区域。然后，可以对被标记的感兴趣区域进行特征提取，得到样本实例特征数据。

通过本公开的上述实施例，提取得到样本实例特征数据中包括任务特征，基于此训练得到的模型能够根据输入信息的任务特征进行信息处理，可有效提高信息处理效果。

图5示意性示出了根据本公开另一实施例的对样本融合特征数据和样本任务特征数据进行任务特征提取，得到样本实例特征数据的流程图。

如图5所示，该方法是对图4中的操作S423的进一步限定，该方法包括操作S5231～S5233。

在操作S5231，对样本融合特征数据和样本任务特征数据进行实例特征提取，得到与样本图像包括的对象对应的样本局部实例特征数据。

在操作S5232，对样本局部实例特征数据进行图学习处理，得到对象的样本关联实例特征数据。

在操作S5233，根据样本局部实例特征数据和样本关联实例特征数据，得到样本实例特征数据。

根据本公开的实施例，样本图像可以包括至少一个对象。样本局部实例特征数据可以表征样本图像中的对象本身的实例特征数据。样本关联实例特征数据可以表征对象的版式特征。版式特征可以指样本图像中的对象与样本图像中的其他对象之间的关系信息。关系信息可以包括两个对象之间具有关系和两个对象之间不具有关系其中之一。

根据本公开的实施例，图学习可以用于学习图像中对象自身特征和对象与其他对象之间的版式特征(即对象与其他对象之间的关系信息)。可以基于图学习处理样本局部实例特征数据，得到对象与其他对象之间的样本关联实例特征数据。根据样本图像中对象的样本局部实例特征数据和对象与其他对象之间的样本关联实例特征数据，得到样本图像的样本实例特征数据。样本实例特征数据可以利用拓扑结构图的形式来表征。拓扑结构图可以包括至少两个节点和至少一个边。节点可以用于表征对象。边用于表征连接的两个节点之间的关系。关系可以包括两个节点之间具有连接关系和两个节点之间不具有连接关系其中之一。

根据本公开的实施例，可以根据节点的样本局部实例特征数据和其他节点的样本局部实例特征数据，确定节点与其他节点之间的第三相似度来确定节点与其他节点之间的关系。第三相似度可以根据实际业务需求进行配置，在此不作限定。例如，第三相似度可以包括余弦相似度、皮尔逊相关系数、欧式距离和Jaccard距离等其中至少之一。例如，在确定节点与另一节点之间的第三相似度小于或等于相似度阈值的情况下，节点和另一节点之间不具有连接关系。在确定节点与另一节点之间的第三相似度大于相似度阈值的情况下，节点与另一节点之间具有连接关系。

根据本公开的实施例，子模型可以包括用于提取实例特征的实例特征提取模块。实例特征提取模块可以包括提取实例特征的实例特征提取单元和用于实现图学习处理的图学习单元。可以利用实例特征提取单元对样本融合特征数据和样本任务特征数据进行实例特征提取，得到样本图像中的对象的样本局部实例特征数据。可以利用图学习单元对样本局部实例特征数据进行图学习处理，得到对象的样本关联实例特征数据。

根据本公开的实施例，操作S5231～S5233可以由电子设备执行。电子设备可以是服务器或终端设备。服务器可以是图1中的服务器105。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。

通过本公开的上述实施例，结合图学习对深度学习模型进行训练，训练过程中可以融合样本局部实例特征数据和样本关联实例特征数据，得到的深度学习模型可以更加鲁棒，并可实现样本关联实例特征数据不一致的不同垂类下的样本图像的挖掘。

图6示意性示出了根据本公开实施例的基于对比损失函数，利用至少两个样本实例特征数据，训练至少两个子模型的流程图。

如图6所示，该方法是对图2中的操作S230的进一步限定，该方法包括操作S631～S633。

在操作S631，确定至少两个样本实例特征数据之间的第一相似度。

在操作S632，基于第一相似度和对比损失函数，得到输出值。

在操作S633，根据输出值调整至少两个子模型的模型参数，直至满足预定结束条件。

根据本公开的实施例，第一相似度可以根据实际业务需求进行配置，在此不作限定。例如，第一相似度可以包括余弦相似度、皮尔逊相关系数、欧式距离和Jaccard距离等其中至少之一。

根据本公开的实施例，对比损失函数可以根据如下公式(1)确定。

在公式(1)中，N可以表征样本图像所构成的样本图像对的数目。y可以表征两个样本图像是否匹配的标签，y＝0可以表征两个样本图像不匹配，y＝1可以表征两个样本图像匹配。d可以表征两个样本实例特征数据之间的欧式距离。margin可以表征预定距离阈值。在两个样本图像是正样本图像对的情况下，可以认为两个样本图像匹配。在两个样本图像是负样本图像对的情况下，可以认为两个样本图像不匹配。

根据本公开的实施例，可以在获得至少两个样本实例特征数据之后，可以确定至少两个样本实例特征数据之间的第一相似度。根据第一相似度和对比损失函数，得到输出值，再根据输出值，调整至少两个子模型的模型参数，直至满足预定结束条件。可以利用梯度下降算法处理对比损失函数，得到梯度向量，根据梯度向量，调整至少两个子模型的模型参数。梯度下降算法可以包括随机梯度下降算法。在根据梯度向量调整至少两个子模型的模型参数的过程中，可以基于梯度向量，利用反向传播法来调整至少两个子模型的模型参数。预定结束条件可以包括输出值收敛和训练轮次达到预定训练轮次其中至少之一。

根据本公开的实施例，操作S631～S633可以由电子设备执行。电子设备可以包括服务器或终端设备。服务器可以是图1中的服务器105。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。

通过本公开的上述实施例，由于至少两个样本实例特征数据中包括任务特征，基于其训练得到的深度学习模型可以更加鲁棒，并可有效提高深度学习模型的相似度度量效果。

根据本公开的实施例，被训练的子模型可以包括两个，两个训练后的子模型的模型参数的数值一致。

根据本公开的实施例，可以利用样本图像训练两个子模型，得到两个训练后的子模型。可以将两个训练后的子模型中的其中之一确定为经训练的深度学习模型。两个训练后的子模型的模型参数的数值保持一致，并且用于训练两个子模型的样本图像不同。

根据本公开的实施例，可以将两个子模型称为第一子模型和第二子模型。训练后的第一子模型和训练后的第二子模型的模型参数的数值保持一致。经训练的深度学习模型可以是训练后的第一子模型，也可以是训练后的第二子模型。第一子模型和第二子模型可以为各自独立的两个子模型，也可以为双塔模型的两个分支所分别对应的模型。双塔模型可以包括Siamese(即孪生)模型等。

根据本公开的实施例，可以将用于训练第一子模型的样本图像称为第一样本图像，将用于训练第二子模型的样本图像称为第二样本图像。

根据本公开的实施例，第一样本图像和第二样本图像可以构成正样本图像对或负样本图像对。在第一样本图像和第二样本图像的图像信息相同的情况下，第一样本图像和第二样本图像可以构成粗粒度的正样本图像对。在第一样本图像和第二样本图像的图像信息不同的情况下，第一样本图像和第二样本图像可以构成粗粒度的负样本图像对。在第一样本图像和第二样本图像的某个或某些特征信息相同的情况下，第一样本图像和第二样本图像可以构成细粒度的正样本图像对。在第一样本图像和第二样本图像的某个或某些特征信息不同的情况下，第一样本图像和第二样本图像可以构成细粒度的负样本图像对。例如，第一样本图像和第二样本图像中同一个类别的实体特征可以构成正样本图像对，如都是姓名字段。第一样本图像和第二样本图像非同类别的实体特征可以构成负样本图像对，如姓名字段和年龄字段。

根据本公开的实施例，在利用正样本图像对和负样本图像对训练深度学习模型的过程中，正样本图像对的数目与负样本图像对的数目可以根据实际业务需求进行配置，在此不作限定。例如，正样本图像对的数目与负样本图像对的数目之间的比值为1∶3。

图7示意性示出了根据本公开实施例的深度学习模型的示意性结构图。

如图7所示，深度学习模型可以为双塔模型700，包括两个分支710、720，两个分支710、720可以分别对应具有相同结构及参数的模型。可以将分支710称为第一子模型，将分支720称为第二子模型。分支710可以包括Backbone711和Mask ROI模块716。分支720可以包括Backbone721和Mask ROI模块726。

可以对原始样本图像701进行不同方式的扰动，得到样本图像702、703。不同的样本图像702、703可以分别在不同的分支710、720内进行相应的处理过程。

例如，样本图像702可以输入分支710中的Backbone 711，得到样本图像特征数据

可以对样本图像特征数据

通过针对样本融合特征数据

根据本公开的实施例，可以利用分支720处理样本图像703，得到样本图像703的样本实例特征数据F

根据本公开的实施例，可以确定样本实例特征数据F

通过本公开的上述实施例，实现了一种基于实例级别对比学习的双塔难样本挖掘方法，通过与EnDet任务关联，可以提取样本图像的样本图像特征和样本任务特征。在获取到实例级别特征之后，可以确定不同样本实例特征之间的第一相似度，结合对比学习，实现样本相似性学习。在对深度学习模型进行训练的过程中，关注如EnDet等检测任务的任务特征，通过学习任务特征训练的相似性学习模型可以具有更高的检测精度。在样本挖掘过程中，基于如badcase(即错误数据)等数据可以在大量回流数据中检索到用于训练模型的难样本，实现更为精确的样本挖掘，相当于在一个大的测试上取得更好的测试样本，产出的模型可以更好的支持各类应用场景。

图8示意性示出了根据本公开另一实施例的深度学习模型的示意性结构图。

如图8所示，深度学习模型可以为双塔模型800，包括两个分支810、820，两个分支810、820可以分别对应具有相同结构及参数的模型。可以将分支810称为第一子模型，将分支820称为第二子模型。分支810可以包括Backbone811、Mask ROI模块816和图学习模块818。分支820可以包括Backbone821、Mask ROI模块和图学习模块828。

可以对原始样本图像801进行不同方式的扰动，得到样本图像802、803。不同的样本图像802、803可以分别在不同的分支810、820内进行相应的处理过程。

例如，样本图像802可以输入分支810中的Backbone 811，得到样本图像特征数据

可以对样本图像特征数据

通过针对样本融合特征数据

可以利用图学习模型818对样本局部实例特征数据F

根据本公开的实施例，可以利用分支820处理样本图像803，得到样本图像803的样本实例特征数据F

根据本公开的实施例，可以确定样本实例特征数据F

图9示意性示出了根据本公开实施例的图像检索方法的流程图。

如图9所示，该方法包括操作S910～S930。

在操作S910，将待检索图像集的多个待检索图像输入深度学习模型，得到多个待检索实例特征数据。

在操作S920，将错误图像输入深度学习模型，得到错误实例特征数据。

在操作S930，根据多个待检索实例特征数据和错误实例特征数据，从待检索图像集中确定与错误图像对应的检索图像集。

根据本公开的实施例，深度学习模型是利用根据本公开实施例的深度学习模型的训练方法训练得到的。待检索图像集可以包括从各类场景中采集到的图像信息。该些信息在采集得到之后均未做任何标注。错误图像可以包括当前经训练的深度学习模块无法识别处理的图像，以及处理效果不佳的图像等其中至少之一。错误图像可以包括多个。待检索实例特征数据可以包括未标注图像或未标注图像中的某个或某些对象在图像维度和任务维度所对应的特征数据。错误实例特征数据可以包括错误图像或错误图像中的某个或某些对象在图像维度和任务维度所对应的特征数据。

需要说明的是，任务维度可以对应具体的任务，如实体检测任务、图像分类任务等其中至少之一，在此不做限定。图像或对象在任务维度所对应的特征数据在前述实施例中已有描述，在此不再赘述。

根据本公开的实施例，在深度学习模型训练完成之后，可以利用该深度学习模型对采集到的错误图像和大量未标注图像进行处理，得到检索图像集。该过程可以包括：针对每个错误图像，将错误图像输入第一模型或第二模型进行特征提取，得到与该错误图像相关的实例特征数据，即错误实例特征数据。针对每个未标注图像，将未标注图像输入第一模型或第二模型进行特征提取，得到与该未标注图像相关的实例特征数据，即待检索实例特征数据。根据待检索实例特征数据和错误实例特征数据，从待检索图像集中确定与错误图像对应的检索图像集。第一模型和第二模型均可以为双塔中的一个分支所对应的模型。

需要说明的是，实例特征数据可以包括数据包和拓扑结构图两种表现形式。待检索实例特征数据和错误实例特征数据的表现形式一致。

根据本公开的实施例，操作S910～S930可以由电子设备执行。电子设备可以是终端设备或服务器。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。服务器可以是图1中的服务器105。

通过本公开的上述实施例，可以利用错误图像，不断为深度学习模型的训练过程扩充有效的训练样本。利用基于该方法获取的检索图像集对深度学习模型进行优化训练，可以在业务侧定向深度学习模型对某些错误图像不能识别处理的问题，从而可不断提升深度学习模型的泛化能力以及针对与错误图像相关类型的图像的处理效果。

下面参考图10，结合具体实施例对根据本公开实施例的图像检索方法做进一步说明。

图10示意性示出了根据多个待检索实例特征数据和错误实例特征数据，从待检索图像集中确定与错误图像对应的检索图像集的流程图。

如图10所示，该方法是对图9中的操作S930的进一步限定，该方法包括操作S1031～S1032。

在操作S1031，确定错误实例特征数据与多个待检索实例特征数据各自之间的相似度，得到多个第二相似度。

在操作S1032，根据多个第二相似度，从待检索图像集中确定与错误图像对应的检索图像集。

根据本公开的实施例，在得到待检索实例特征数据和错误实例特征数据之后，可以逐个计算每个待检索实例特征数据和每个错误实例特征数据之间的相似度，确定第二相似度。然后，可以根据设定的阈值判断两个数据是否为相似的数据，实现从大量未标注图像中检索得到与错误图像最相似的一系列图像，作为检索图像集。例如，可以将相似度大于或等于该阈值时所对应的数据确定为相似的数据。根据相似的数据所能对应到的待检索图像，可以确定可用于对深度学习模型进行优化训练的新的样本图像。

根据本公开的实施例，操作S1031～S1032可以由电子设备执行。电子设备可以是终端设备或服务器。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。服务器可以是图1中的服务器105。

通过本公开的上述实施例，可以利用错误图像，不断为深度学习模型的训练过程扩充有效的训练样本，从而可不断提升深度学习模型的泛化能力以及针对与错误图像相关类型的图像的处理效果。

图11示意性示出了根据本公开实施例的图像处理模型的训练方法的流程图。

如图11所述，该方法包括操作S1110～S1120。

在操作S1110，获取第三样本图像和标签数据。

在操作S1120，利用第三样本图像和标签数据训练图像处理模型，得到经训练的图像处理模型。

根据本公开的实施例，第三样本图像包括检索图像集，检索图像集中各个检索图像的标签数据是根据与检索图像对应的至少一个错误图像的标签数据确定的。

根据本公开的实施例，图像处理模型可以为未经训练的模型、预训练模型和经训练的模型等其中任意之一。检索图像集是利用根据本公开实施例的图像检索方法，根据错误图像，从未标注图像中检索得到的。

根据本公开的实施例，可以首先确定图像处理模型不能识别或处理效果不好的错误图像。然后，基于前述深度学习模型，从已采集的大量未标注数据中检测得到与该错误数据相似的检测数据集，作为第三样本图像，对图像处理模型进行训练或优化。

根据本公开的实施例，操作S1110～S11120可以由电子设备执行。电子设备可以是服务器或终端设备。服务器可以是图1中的服务器105。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。

通过本公开的上述实施例，利用基于深度学习模型，根据错误图像检索得到的第三样本图像和标签数据对图像处理模型进行训练，可有效提升图像处理模型的泛化能力，并可在业务侧实现对图像处理模型的定向优化。

图12示意性示出了根据本公开实施例的图像处理方法的流程图。

如图12所述，该方法包括操作S1210～S1220。

在操作S1210，获取待处理图像。

在操作S1220，将待处理图像输入图像处理模型，得到图像处理结果。

根据本公开的实施例，图像处理模型是利用根据本公开实施例的图像处理模型的训练方法训练得到的。

根据本公开的实施例，根据本公开的实施例，操作S1210～S1220可以由电子设备执行。电子设备可以是终端设备或服务器。终端设备可以是图1中的终端设备101、终端设备102或终端设备103。服务器可以是图1中的服务器105。

通过本公开的上述实施例，可以对更多类型的图像进行处理，提高用户体验。

图13示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。

如图13所示，深度学习模型的训练装置1300包括第一获得模块1310、第二获得模块1320、训练模块1330和第三获得模块1340。

第一获得模块1310，用于利用子模型处理样本图像，得到样本图像特征数据。

第二获得模块1320，用于利用子模型处理样本图像特征数据和样本任务特征数据，得到样本实例特征数据，样本任务特征数据是根据样本图像确定的。

训练模块1330，用于基于对比损失函数，利用至少两个样本实例特征数据，训练至少两个子模型，至少两个子模型的训练数据不同。

第三获得模块1340，用于根据训练后的子模型得到经训练的深度学习模型。

根据本公开的实施例，第二获得模块1320可以包括第一获得子模块、第二获得子模块和第三获得子模块。

第一获得子模块，用于对样本图像进行任务特征提取，得到样本任务特征数据。

第二获得子模块，用于根据样本图像特征数据和样本任务特征数据，得到样本融合特征数据。

第三获得子模块，用于对样本融合特征数据和样本任务特征数据进行实例特征提取，得到样本实例特征数据。

根据本公开的实施例，样本任务特征数据包括样本评估特征图和样本几何特征图。

根据本公开的实施例，第三获得子模块可以包括第一获得单元。

第一获得单元，用于基于评估特征图和实例特征提取模块，从样本融合特征数据上提取实例特征，得到样本实例特征数据。

根据本公开的实施例，第三获得子模块可以包括第二获得单元、第三获得单元和第四获得单元。

第二获得单元，用于对样本融合特征数据和样本任务特征数据进行实例特征提取，得到与样本图像包括的对象对应的样本局部实例特征数据。

第三获得单元，用于对样本局部实例特征数据进行图学习处理，得到对象的样本关联实例特征数据。

第四获得单元，用于根据样本局部实例特征数据和样本关联实例特征数据，得到样本实例特征数据。

根据本公开的实施例，第一获得模块1310可以包括第四获得子模块。

第四获得子模块，用于对样本图像进行图像特征提取，得到样本图像特征数据。

根据本公开的实施例，训练模块1330可以包括第一确定子模块、第五获得子模块和调整模块。

第一确定子模块，用于确定至少两个样本实例特征数据之间的第一相似度。

第五获得子模块，用于基于第一相似度和对比损失函数，得到输出值。

调整模块，用于根据输出值调整至少两个子模型的模型参数，直至满足预定结束条件。

根据本公开的实施例，被训练的子模型包括两个，两个训练后的子模型的模型参数的数值一致。

根据本公开的实施例，至少两个子模型的训练数据是利用数据增强方法处理原始样本图像得到的。

图14示意性示出了根据本公开实施例的图像检索装置的框图。

如图14所示，图像检索装置1400可以包括第四获得模块1410、第五获得模块1420和确定模块1430。

第四获得模块1410，用于将待检索图像集的多个待检索图像输入深度学习模型，得到多个待检索实例特征数据。

第五获得模块1420，用于将错误图像输入深度学习模型，得到错误实例特征数据。

确定模块1430，用于根据多个待检索实例特征数据和错误实例特征数据，从待检索图像集中确定与错误图像对应的检索图像集。

根据本公开的实施例，深度学习模型是利用根据本公开实施例的深度学习模型的训练装置训练得到的。

根据本公开的实施例，确定模块1430可以包括第二确定子模块和第三确定子模块。

第二确定子模块，用于确定错误实例特征数据与多个待检索实例特征数据各自之间的相似度，得到多个第二相似度。

第三确定子模块，用于根据多个第二相似度，从待检索图像集中确定与错误图像对应的检索图像集。

图15示意性示出了根据本公开实施例的图像处理模型的训练装置的框图。

如图15所示，图像处理模型的训练装置1500可以包括第六获得模块1510。

第六获得模块1510，用于利用第三样本图像和标签数据训练图像处理模型，得到经训练的图像处理模型。

根据本公开的实施例，第三样本图像包括检索图像集，检索图像集中各个检索图像的标签数据是根据与检索图像对应的至少一个错误图像的标签数据确定的。

根据本公开的实施例，检索图像集是利用根据本公开实施例的图像检索装置确定的。

图16示意性示出了根据本公开实施例的图像处理装置的框图。

如图16所示，图像处理装置1600包括第七获得模块1610。

第七获得模块1610，用于将待处理图像输入图像处理模型，得到图像处理结果。

根据本公开的实施例，图像处理模型是利用根据本公开实施例的图像处理模型的训练装置训练得到的。

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。

根据本公开的实施例，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上所述的方法。

根据本公开的实施例，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上所述的方法。

根据本公开的实施例，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上所述的方法。

图17示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。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。

如图17所示，电子设备1700包括计算单元1701，其可以根据存储在只读存储器(ROM)1702中的计算机程序或者从存储单元1708加载到随机访问存储器(RAM)1703中的计算机程序，来执行各种适当的动作和处理。在RAM 1703中，还可存储电子设备1700操作所需的各种程序和数据。计算单元1701、ROM 1702以及RAM 1703通过总线1704彼此相连。输入/输出(I/O)接口1705也连接至总线1704。

电子设备1700中的多个部件连接至I/O接口1705，包括：输入单元1706，例如键盘、鼠标等；输出单元1707，例如各种类型的显示器、扬声器等；存储单元1708，例如磁盘、光盘等；以及通信单元1709，例如网卡、调制解调器、无线通信收发机等。通信单元1709允许电子设备1700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。

计算单元1701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1701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1701执行上文所描述的各个方法和处理，例如深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法以及图像处理方法。例如，在一些实施例中，深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法以及图像处理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1708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1702和/或通信单元1709而被载入和/或安装到电子设备1700上。当计算机程序加载到RAM 1703并由计算单元1701执行时，可以执行上文描述的深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法以及图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元1701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行深度学习模型的训练方法、图像检索方法、图像处理模型的训练方法以及图像处理方法。

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)、复杂可编程逻辑设备(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。

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。

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。

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。

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。

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。

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，本发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公开的技术方案所期望的结果，本文在此不进行限制。

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。