图像数据处理方法、装置、电子设备及存储介质

技术领域

本公开涉及图像处理技术领域，尤其涉及图像数据处理方法、装置、电子设备及存储介质。

背景技术

随着图像处理技术的发展，出现了利用深度神经网络进行图像识别的技术，在利用深度神经网络进行图像识别时，需要预先对深度神经网络模型进行训练，经过训练后的该深度神经网络模型可以进行图像识别，因此，深度神经网络的训练效果直接影响模型的准确度。

目前的深度神经网络模型训练方法中，构成训练样本的各图像数据的获取来源多样，例如，可以基于某一搜索关键词，从各搜索引擎上搜索并下载图像数据，以下载的图像数据构建为图像样本。然而，这样得到的图像样本包含的图像数据多种多样，往往含有极大的噪声，使得训练样本的质量较低。因此，直接利用该训练样本进行模型训练，造成深度神经网络模型的训练准确度较低。

发明内容

本公开提供一种图像数据处理方法、装置、电子设备、存储介质和计算机程序产品，以至少解决相关技术中图像识别模型训练准确度较低的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种图像数据处理方法，所述方法包括：

获取初始样本，所述初始样本中包含多个图像数据；

根据预设的图像出度计算策略，确定每一所述图像数据对应的出度值；所述出度值表征所述初始样本中与每一所述图像数据的相似度满足预设相似度条件的其他图像数据的数量；

根据每一所述图像数据对应的出度值，对所述图像数据进行分类处理，得到分类后的各图像数据组；

在各所述图像数据组中，基于预设的出度值条件确定目标图像数据组，并基于所述目标图像数据组对应的图像数据，构建目标样本；

根据所述目标样本对预设的图像识别模型进行训练，得到训练完成的图像识别模型。

在其中一个示例性实施例中，所述根据预设的图像出度计算策略，确定每一所述图像数据对应的出度值，包括：

对每一所述图像数据进行特征提取，得到每一所述图像数据对应的图像特征向量；

确定两两所述图像特征向量间的距离，并根据两两所述图像特征向量间的距离，构建得到距离矩阵；

针对每一所述图像数据，根据所述距离矩阵，确定与所述图像数据间的距离满足预设距离条件的图像数据作为参照图像数据；

以每一所述图像数据为起始节点，以每一所述图像数据对应的所述参照图像数据为终止节点，构建各所述图像数据对应的特征分布图；

基于所述特征分布图，确定所述图像数据对应的出度值。

在其中一个实施例中，所述根据每一所述图像数据对应的出度值，对所述图像数据进行分类处理，得到分类后的各图像数据组，包括：

根据每一所述图像数据对应的出度值以及预设的出度聚类算法，得到出度值分类结果，并基于所述出度值分类结果确定图像数据组。

在其中一个示例性实施例中，所述根据每一所述图像数据对应的出度值以及预设的出度聚类算法，得到出度值分类结果，并基于所述出度值分类结果确定图像数据组，包括：

根据预设的出度聚类算法以及预设的聚类数目，对各所述图像数据对应的出度值进行聚类，得到聚类数目个出度值分类结果；

根据每一类所述出度值分类结果对应的所述出度值，将与所述出度值对应的图像数据划分为一组，得到各图像数据组。

在其中一个示例性实施例中，每一所述图像数据组对应一个聚类中心，所述聚类中心为所述图像数据组对应的出度值聚类后得到的出度值的平均值，所述在各所述图像数据组中，基于预设的出度值条件确定目标图像数据组，并基于所述目标图像数据组对应的图像数据，构建目标样本，包括：

对各所述图像数据组对应的聚类中心进行由大到小排序，得到平均值序列；

在所述平均值序列中，选取前预设数目个出度值的平均值，作为目标出度平均值，将所述目标出度平均值对应的图像数据组，确定为目标图像数据组；

根据所述目标图像数据组对应的图像数据，构建目标样本。

在其中一个示例性实施例中，所述目标样本包括第一子样本和第二子样本，所述第一子样本中包含的图像数据的识别复杂度小于所述第二子样本包含的图像数据的识别复杂度；课程学习训练策略为基于样本复杂度对模型进行分层级训练的训练策略，所述根据所述目标样本对预设的图像识别模型进行训练，得到训练完成的图像识别模型，包括：

根据所述第一子样本和所述第二子样本以及预设的课程学习训练策略，对所述图像识别模型进行分层级训练，得到训练完成的图像识别模型。

在其中一个示例性实施例中，所述根据所述目标图像数据组对应的图像数据，构建目标样本，包括：

在所述预设数目个所述目标出度平均值中筛选出最大的目标出度平均值，并将所述最大的目标出度平均值确定为第一目标出度平均值；

将所述第一目标出度平均值对应的目标图像数据组确定为第一目标图像数据组；

基于所述第一目标图像数据组对应的图像数据，构建第一子样本；

将除所述最大的目标出度平均值之外其他的所述目标出度平均值，确定为第二目标出度平均值；

将所述第二目标出度平均值对应的目标图像数据组确定为第二目标图像数据组；

基于所述第二目标图像数据组对应的图像数据，构建第二子样本。

在其中一个示例性实施例中，所述根据所述第一子样本和所述第二子样本以及预设的所述课程学习训练策略，对所述图像识别模型进行图像识别的分层级训练，得到训练完成的图像识别模型，包括：

将所述第一子样本输入所述图像识别模型，通过所述第一子样本携带的标注信息，对所述图像识别模型进行有监督式预训练，得到预训练后的图像识别模型；

将所述第一子样本和所述第二子样本输入所述预训练后的图像识别模型，通过所述第一子样本和所述第二子样本携带的标注信息，对所述预训练后的图像识别模型进行有监督式训练，得到训练完成的图像识别模型。

在其中一个示例性实施例中，所述方法还包括：

将待识别图像输入至训练完成的图像识别模型；

通过所述图像识别模型对所述待识别图像进行特征提取，得到所述待识别图像的特征向量，并对所述待识别图像的特征向量进行分类判别，得到所述待识别图像的分类概率；

根据所述待识别图像的分类概率，确定所述待识别图像的分类结果。

根据本公开实施例的第二方面，提供一种图像数据处理装置，所述装置包括：

获取单元，被配置为执行获取初始样本，所述初始样本中包含多个图像数据；

确定单元，被配置为执行确定每一所述图像数据对应的出度值；所述出度值表征所述初始样本中与每一所述图像数据的相似度满足预设相似度条件的其他图像数据的数量；

处理单元，被配置为执行根据每一所述图像数据对应的出度值，对所述图像数据进行分类处理，得到分类后的各图像数据组；

构建单元，被配置为执行在各所述图像数据组中，基于预设的出度值条件确定目标图像数据组，并基于所述目标图像数据组对应的图像数据，构建目标样本；

训练单元，被配置为执行根据所述目标样本对预设的图像识别模型进行训练，得到训练完成的图像识别模型。

在其中一个示例性实施例中，所述确定单元包括：

特征提取子单元，被配置为执行对每一所述图像数据进行特征提取，得到每一所述图像数据对应的图像特征向量；

第一构建子单元，被配置为执行根据预设的距离算法，确定两两所述图像特征向量间的距离，并根据两两所述图像特征向量间的距离，构建得到距离矩阵；

第一确定子单元，被配置为执行针对每一所述图像数据，根据所述距离矩阵，确定与所述图像数据间的距离满足预设距离条件的图像数据作为参照图像数据；

第二构建子单元，被配置为执行以每一所述图像数据为起始节点，以每一所述图像数据对应的所述参照图像数据为终止节点，构建各所述图像数据对应的特征分布图；

第二确定子单元，被配置为执行基于所述特征分布图，确定所述图像数据对应的出度值。

在其中一个示例性实施例中，所述处理单元被配置为执行根据每一所述图像数据对应的出度值以及预设的出度聚类算法，得到出度值分类结果，并基于所述出度值分类结果确定图像数据组。

在其中一个示例性实施例中，所述处理单元包括：

聚类子单元，被配置为执行根据预设的出度聚类算法以及预设的聚类数目，对各所述图像数据对应的出度值进行聚类，得到聚类数目个出度值分类结果；

确定子单元，被配置为执行根据每一类所述出度值分类结果对应的所述出度值，将与所述出度值对应的图像数据划分为一组，得到各图像数据组。

在其中一个示例性实施例中，每一所述图像数据组对应一个聚类中心，所述聚类中心为为所述图像数据组对应的出度值聚类后得到的出度值的平均值，所述在各所述图像数据组中，基于预设的出度值条件确定目标图像数据组，并基于所述目标图像数据组对应的图像数据，构建目标样本，包括：

排序子单元，被配置为执行对各所述图像数据组对应的聚类中心进行由大到小排序，得到平均值序列；

确定子单元，被配置为执行在所述平均值序列中，选取前预设数目个出度值的平均值，作为目标出度平均值，将所述目标出度平均值对应的图像数据组，确定为目标图像数据组；

构建子单元，被配置为执行根据所述目标图像数据组对应的图像数据，构建目标样本。

在其中一个示例性实施例中，所述目标样本包括第一子样本和第二子样本，所述第一子样本中包含的图像数据的识别复杂度小于所述第二子样本包含的图像数据的识别复杂度；课程学习训练策略为基于样本复杂度对模型进行分层级训练的训练策略，所述训练单元具体被配置为执行根据所述第一子样本和所述第二子样本以及预设的所述课程学习训练策略，对所述图像识别模型进行图像识别的分层级训练，得到训练完成的图像识别模型。

在其中一个示例性实施例中，所述构建子单元包括：

第一确定子单元，被配置为执行在所述预设数目个所述目标出度平均值中筛选出最大的目标出度平均值，并将所述最大的目标出度平均值确定为第一目标出度平均值；

第二确定子单元，被配置为执行将所述第一目标出度平均值对应的目标图像数据组确定为第一目标图像数据组；

第一构建子单元，被配置为执行基于所述第一目标图像数据组对应的图像数据，构建第一子样本；

第三确定子单元，被配置为执行将除所述最大的目标出度平均值之外其他的所述目标出度平均值，确定为第二目标出度平均值；

第四确定子单元，被配置为执行将所述第二目标出度平均值对应的目标图像数据组确定为第二目标图像数据组；

第二构建子单元，被配置为执行基于所述第二目标图像数据组对应的图像数据，构建第二子样本。

在其中一个示例性实施例中，所述训练单元包括：

第一训练子单元，被配置为执行将所述第一子样本输入所述图像识别模型，通过所述第一子样本携带的标注信息，对所述图像识别模型进行有监督式预训练，得到预训练后的图像识别模型；

第二训练子单元，被配置为执行将所述第一子样本和所述第二子样本输入所述预训练后的图像识别模型，通过所述第一子样本和所述第二子样本携带的标注信息，对所述预训练后的图像识别模型进行有监督式训练，得到训练完成的图像识别模型。

在其中一个示例性实施例中，所述装置还包括：

输入单元，被配置为执行将待识别图像输入至训练完成的图像识别模型；

输出单元，被配置为执行通过所述图像识别模型对所述待识别图像进行特征提取，得到所述待识别图像的特征向量，并对所述待识别图像的特征向量进行分类判别，得到所述待识别图像的分类概率；

判别单元，被配置为执行根据所述待识别图像的分类概率，确定所述待识别图像的分类结果。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如上述第一方面中任一项所述的图像数据处理方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上述第一方面中任一项所述的图像数据处理方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述指令被电子设备的处理器执行时，使得所述电子设备能够执行上述第一方面中任一项所述的图像数据处理方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

采用本方法，

通过预设的图像出度计算策略，确定初始样本中每一图像数据对应的出度值。进而，根据每一图像数据对应的出度值以及预设的出度聚类算法，得到出度值分类结果，并基于出度值分类结果得到图像数据组，然后，对各图像数据组进行筛选，并根据筛选出的目标图像数据组对应的图像数据，构建目标样本，从而实现了对初始样本中图像数据的筛选，降低初始样本的噪音，以降低噪音的目标样本完成对图像识别模型的训练，提高了图像识别模型的准确度。

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，并不能限制本公开。

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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种图像数据处理方法的流程图。

图2是根据一示例性实施例示出的一种确定图像数据出度值的方法的流程图。

图3是根据一示例性实施例示出的一种确定图像数据组的方法的流程图。

图4是根据一示例性实施例示出的一种构建目标样本的方法的流程图。

图5是根据一示例性实施例示出的一种构建目标样本的方法的流程图。

图6是根据一示例性实施例示出的一种图像识别模型的训练方法的流程图。

图7是根据一示例性实施例示出的一种图像识别模型的应用方法的流程图。

图8是根据一示例性实施例示出的一种图像数据处理装置的框图。

图9是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

还需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

图1是根据一示例性实施例示出的一种图像数据处理方法的流程图，如图1所示，该图像数据处理方法用于计算机设备中，包括以下步骤。

在步骤S110中，获取初始样本。

其中，初始样本中包含多个图像数据。

在实施中，在图像识别的过程中，图像识别模型对图像中包含的目标对象进行识别，因此，在训练图像识别模型之前，针对图像识别模型中的待识别的目标对象类型，计算机设备可以获取包含该目标对象的图像数据，构建为图像识别模型的初始训练样本(简称为初始样本)，以训练该图像识别模型，学习该目标对象的特征，从而实现对包含该目标对象的图像数据进行分类判别。例如，待识别的目标对象为冰箱，则计算机设备可以获取图像内容中包含冰箱的图像数据，作为图像识别模型的初始样本，以训练图像识别模型对图像数据中是否包含冰箱这一目标对象进行判断。

可选的，计算机设备获取包含目标对象的图像数据的方法，可以是基于目标对象的关键词信息等，在各大搜索引擎或者数据库中进行图像数据的查询，然后，计算机设备基于图像数据查询结果对图像数据进行爬取，得到初始样本。本公开中获取包含目标对象的图像数据的方法可以根据目标对象类型等情况，通过不同获取手段选择不同来源的图像数据，本公开实施例不做限定。

可选的，图像识别模型可以是基于深度神经网络的二分类识别模型，也可以是基于深度神经网络的多分类识别模型。当图像识别模型为二分类识别模型时，初始样本为训练图像识别模型识别某一种目标对象的图像数据集；当图像识别模型为多分类识别模型时，初始样本为训练图像识别模型识别多种目标对象的图像数据集，其中，为训练图像识别模型学习多种目标对象的特征，多分类识别模型的初始样本中包含对应多种不同目标对象的图像数据子集，每一图像数据子集也可以是通过关键词获取得到的，然后，将多种目标对象的图像数据子集和集成为一个初始样本。

在步骤S120中，确定每一图像数据对应的出度值。

其中，出度值表征初始样本中与每一图像数据的相似度满足预设相似度条件的其他图像数据的数量。

在实施中，由于获取初始样本的图像数据时，图像数据的筛选条件较为单一，因此，初始样本中可能掺杂图像内容不是目标对象的图像数据，这类图像数据即为初始样本中的噪声数据。当噪声数据过多，初始样本的噪声较大，在利用该初始样本对图像识别模型进行模型训练时，会导致图像识别模型收敛困难，且模型准确度较低。因此，需要降低初始样本的噪声，即过滤掉一部分不包含目标对象的图像数据(即噪声数据)。基于此，计算机设备根据预设的图像出度计算策略，确定每一图像数据的出度值，以该图像数据的出度值反映与该图像数据的相似度满足预设相似度条件的其他图像数据的数量。其中，预设相似度条件可以但不限于为该图像数据与其他图像数据间的图像相似度满足预设相似度阈值。若图像数据的出度值较低，即与该图像数据相似度满足预设相似度条件的其他图像数据较少，则该图像数据为噪声数据的概率较大，若图像数据的出度值较高，即与该图像数据相似度满足预设相似度条件的其他图像数据较多，则该图像数据为非噪声数据(或者说为正确数据)的概率较大。故而，通过图像数据的出度值可以判断该图像数据是否为噪声数据，进而，实现对图像数据的筛选。

在步骤S130中，根据每一图像数据对应的出度值，对图像数据进行分类处理，得到分类后的各图像数据组。

在实施中，为了提高图像数据的筛选效率，计算机设备可以根据每一图像数据对应的出度值，对图像数据进行分类处理，得到分类后的各图像数据组。具体地，计算机设备根据每一图像数据对应的出度值以及预设的出度聚类算法，对各图像数据对应的出度值进行聚类处理，得到出度值分类结果。然后，基于出度值分类结果，以及出度值与图像数据的对应关系，计算机设备每一类出度值分类结果中包含的出度值，确定图像数据组。

在步骤S140中，在各图像数据组中，基于预设的出度值条件确定目标图像数据组，并基于目标图像数据组对应的图像数据，构建目标样本。

其中，出度值条件可以为筛选各图像数据组中出度平均值由大到小排序后的前N项出度值平均值对应的图像数据组，其中，N小于M(M为全部图像数据组)。

在实施中，计算机设备基于预设的出度值条件，在多个图像数据组中筛选确定出目标图像数据组。然后，计算机设备基于该目标图像数据组对应的图像数据，构建目标样本，而对于非目标图像数据组对应的图像数据，即表现为噪声数据，计算机设备可以对其进行舍弃处理，从而降低初始样本的噪音。

在步骤S150中，根据目标样本对预设的图像识别模型进行训练，得到训练完成的图像识别模型。

在实施中，计算机设备对目标样本中的各图像数据包含的目标对象进行对象类型标注，然后，将标注完成的目标样本输入至预设的图像识别模型中，根据预先配置的图像识别模型的训练参数(例如，模型学习率、模型迭代次数等)，对图像识别模型进行有监督式训练，在训练过程中图像识别模型自适应调整模型参数直至图像识别模型的输出结果与预设的有监督式图像分类结果间的损失值满足损失值条件，图像识别模型训练完成。

上述图像数据处理方法中，通过预设的图像出度计算策略，确定初始样本中每一图像数据对应的出度值。进而，根据每一图像数据对应的出度值以及预设的出度聚类算法，得到出度值分类结果，并基于出度值分类结果得到图像数据组，然后，对各图像数据组进行筛选，并根据筛选出的目标图像数据组对应的图像数据，构建目标样本，从而实现了对初始样本中图像数据的筛选，降低初始样本的噪音，以降低噪音的目标样本完成对图像识别模型的训练，提高了图像识别模型的准确度。

在一示例性实施例中，由于通过图像数据的出度值反映与图像数据的相似度满足预设相似度条件的其他图像数据的数量，以此判定当前的图像数据是否为噪声数据，因此，确定该图像数据的出度值非常重要，该图像数据的出度值需要借助图像数据间的距离来确定，如图2所示，在步骤S120中，确定每一图像数据对应的出度值，具体可以通过以下步骤实现：

在步骤S210中，对每一图像数据进行特征提取，得到每一图像数据对应的图像特征向量。

在实施中，计算机设备通过预设的图像提取算法对每一图像数据进行特征提取，得到每一图像数据对应的图像特征向量。其中，图像特征向量的维度可以为2048维或者1024维，本公开实施例对于图像特征向量的维度不做限定。

可选的，预设的图像提取算法可以为深度神经网络算法，其中，深度神经网络算法具体可以包括Resnet(残差网络)、Swin-Transformer(层级结构)，本公开实施例对于具体进行图像特征提取的深度神经网络算法不做限定。

在步骤S220中，确定两两图像特征向量间的距离，并根据两两图像特征向量间的距离，构建得到距离矩阵。

在实施中，计算机设备根据预设的距离算法，对两两图像数据对应的图像特征向量间的距离进行计算，得到初始样本中任意两两图像数据的图像特征向量对应的距离，进而，基于各距离构建得到距离矩阵。具体地，若有N张图像数据提取得到的N个图像特征向量，则计算机设备基于这N个图像特征向量，计算两两图像特征向量间的距离，进而基于各特征向量间的距离构建得到N*N维距离矩阵。

其中，任意两个图像特征向量间的距离算法如下所示：

D

P

在步骤S230中，针对每一图像数据，根据距离矩阵，确定与图像数据间的距离满足预设距离条件的图像数据作为参照图像数据。

在实施中，针对初始样本中的任意图像数据，距离矩阵中均包含该图像数据(对应的图像特征向量)与其他图像数据(对应的图像特征向量)间的距离。其中，距离的大小反映的是图像数据间的相似程度，具体地，若两个图像数据的图像特征向量间的距离越近，表示两个图像数据反映的图像内容之间相似度越高，反之，若两个图像数据对应的图像特征向量间的距离越远，表示两个图像数据反映的图像内容之间相似度越低。因此，计算机设备中存储有距离阈值(用表示)。通过该距离阈值可以确定两个图像数据间的相似度高低，以此筛选与图像数据相似度高的其他图像数据作为参照图像数据。具体地，计算机设备根据距离阈值生成距离条件(即小于预设的距离阈值的条件)，然后，计算机设备根据该距离条件，确定满足该距离条件的图像数据，并将满足该距离条件的图像数据作为参照图像数据，该参照图像数据即为与图像数据满足预设相似度条件的其他图像数据。

具体地，预设距离条件的公式表达如下所示

其中，Edge(P

可选的，距离阈值的确定方法可以通过如下方式：

将距离矩阵中包含的各距离值进行由大到小排序，得到距离序列，然后，计算机设备可以选取该距离序列对应的预设位置区间范围内包含的距离，将该距离作为距离阈值。例如，计算机设备可以选取该距离序列中[50％，70％]位置区间范围内的距离作为距离阈值。具体的距离阈值的选取范围，或者距离阈值的确定方法均可以根据实际情况确定，本公开实施例中不做限定。

在步骤S240中，以每一图像数据为起始节点，以每一图像数据对应的参照图像数据为终止节点，构建各图像数据对应的特征分布图。

在实施中，在确定每一图像数据的参照图像数据之后，计算机设备以每一图像数据为起始节点，以该图像数据对应的各参照图像数据为终止节点，建立起始节点与各终止节点间的有向边，得到图像数据与各参照图像数据间的有向图，也即得到该图像数据对应的特征分布图。通过建立该特征分布图(有向图)，计算机设备存储该图像数据与各参照图像数据间的关联关系，以便于在应用该关联关系确定出度值时，实现快速查询。

在步骤S250中，基于特征分布图，确定图像数据对应的出度值。

在实施中，计算机设备基于每一图像数据对应的特征分布图，统计特征分布图中包含的该图像数据对应的参照图像数据的数目，将该参照图像数据的数目作为该图像数据对应的出度值。出度值越高表征初始样本中与图像数据间满足预设相似度条件的其他图像数据越多(该图像数据的图像内容与传输大多数图像数据越相似)，该图像数据为正确数据(即非噪声数据)的概率越大。

本实施例中，通过对图像数据进行特征提取，得到图像特征向量，进而，确定任意两两图像特征向量间的距离，并基于预设的距离条件确定与图像数据间满足预设的距离条件的参考图像数据。从而，计算机设备统计每一图像数据对应的参考图像数据的数目，确定图像数据的出度值。该出度值可以反映图像数据在初始样本中图像内容的相似度情况，可以实现对初始样本中图像数据的筛选。

在其中一个实施例中，步骤S130中根据每一图像数据对应的出度值，对图像数据进行分类处理，得到分类后的各图像数据组的具体处理过程包括：

根据每一图像数据对应的出度值以及预设的出度聚类算法，得到出度值分类结果，并基于出度值分类结果确定图像数据组。

在实施中，计算机设备根据预设的聚类算法对每一图像数据对应的出度值进行聚类处理，得到每一图像数据对应的出度值的出度值分类结果。其中，该出度值分类结果即为同一聚类中心表征的出度值类别下的所有出度值的集合。然后，计算机设备基于得到的出度值分类结果，再结合每一出度值与图像数据之间的对应关系，确定各出度值分类结果对应的图像数据组。

在一示例性实施例中，如图3所示，在步骤S130中，根据每一图像数据对应的出度值以及预设的出度聚类算法，得到出度值分类结果，并基于出度值分类结果确定图像数据组的具体处理过程如下所示：

在步骤310中，根据预设的出度聚类算法以及预设的聚类数目，对每一图像数据对应的出度值进行聚类，得到聚类数目个出度值分类结果。

在实施中，计算机设备根据预设的出度聚类算法以及预设的聚类数目，对各图像数据的出度值进行聚类。例如，计算机设备根据预设的K-means聚类算法以及预设的聚类数目(假设为三个)，对初始样本中各图像数据对应的出度值进行聚类，得到三个出度值分类结果。

可选的，聚类算法可以但不限于采用K-means聚类算法、bi-kmeans聚类算法等，本公开实施例对于具体聚类算法不做限定。

在步骤320中，根据每一类出度值分类结果对应的出度值，将与出度值对应的图像海事局划分为一组，得到各图像数据组。

在实施中，计算机设备基于出度值与图像数据的对应关系，按照出度值分类结果对图像数据进行分类，得到图像数据组。

本实施例中，通过聚类算法对各图像数据的出度值进行聚类，得到出度值聚类结果，进而，基于该出度值聚类结果可以实现对图像数据的分类，即得到图像数据组，进而对图像数据组的筛选，提高了图像数据的筛选效率。

在一示例性实施例中，每一出度值分类结果对应一个聚类中心，该聚类中心表征所处出度值分类结果的出度值的平均值，即该类别对应的出度值的平均状态。由于图像数据组是基于出度值分类结果得到的，因此，每一图像数据组也对应该出度值分类结果的聚类中心，也即是该出度值的平均值反映该图像数据组中各图像数据的出度值的平均状态。如图4所示，在步骤S140中，在各图像数据组中确定目标图像数据组，并基于目标图像数据组对应的图像数据，构建目标样本，可以通过以下步骤实现：

在步骤S410中，对各图像数据组对应的聚类中心进行由大到小排序，得到平均值序列。

在实施中，由于图像数据组对应出度值分类结果的聚类中心，因此，计算机设备可以基于该聚类中心的出度值的平均值，对图像数据组进行筛选，即通过对聚类中心的出度值的平均值反映图像数据组的类别，从而实现对各图像数据组的筛选。具体地，计算机设备先将各图像数据组对应的出度值的平均值进行由大到小的排序。得到平均值序列。例如，图像数据组对应出度值的平均值一共分为三类，分别为：50、45、100；则将各出度值的平均值进行由大到小排序，得到{100、50、45}的平均值序列。

在步骤S420中，在平均值序列中，选取前预设数目个出度值的平均值，作为目标出度平均值，将目标出度平均值对应的图像数据组，确定为目标图像数据组。

在实施中，计算机设备基于该平均值序列中各出度值的平均值由大到小的顺序，选取前预设数目个出度值的平均值，作为目标出度平均值。具体地，由于每一图像数据对应的出度值表征初始样本中与该图像数据相似度满足预设相似度条件的其他图像数据的数量，因此，当某一图像数据对应的出度值越大，表征与该图像数据相似的其他图像数据越多，因此，由出度值高的图像数据组成的图像数据组为目标样本的概率越大，而由出度值低的图像数据组成的图像数据组为目标样本的概率越小(或者为噪声样本的概率越大)。因此，基于该出度值的平均值由大到小的排序，前预设数目个出度值的平均值对应的图像数据组为目标样本的概率较大，将前预设数目个出度值的平均值确定为目标出度平均值。然后，计算机设备将该目标出度平均值对应的图像数据组，确定为目标图像数据组。例如，在出度值的平均值{100、50、45}的平均值序列中，选取前两个出度值的平均值作为目标出度平均值。然后，计算机设备将该目标出度平均值100和50对应的图像数据组，确定为目标图像数据组。

在步骤S430中，根据目标图像数据组对应的图像数据，构建目标样本。

在实施中，计算机设备根据目标图像数据组对应的图像数据，构建目标样本。

例如，针对筛选得到的各目标图像数据组，可以将每一图像数据组对应的图像数据构建为一个子样本，然后由各子样本组成用于训练图像识别模型的目标样本。可选的，根据初始样本中非目标图像数据组对应的图像数据，构建噪音样本，该噪音样本中包含的图像数据对应的目标对象与目标样本中图像数据对应的目标对象不同。因此，该噪音样本可以丢弃，不参与图像识别模型的训练过程。

本实施例中，基于各图像数据组对应的出度值的平均值对各图像数据组进行筛选处理，进而得到筛选出的目标图像数据组，以该目标图像数据组对应的图像数据，构建目标样本，丢弃非目标图像数据组对应的图像数据，即初始样本中的噪音图像数据，提高目标样本质量。

在一示例性实施例中，目标样本中包括第一子样本和第二子样本，第一子样本中包含的图像数据的识别复杂度小于第二子样本包含的图像数据的识别复杂度，因此，第一子样本也可以称为简单样本，第二子样本也可以称为复杂样本。并且，预设的课程学习训练策略为基于样本复杂度对模型进行分层级训练的训练策略，在步骤S150中，根据目标样本对预设的图像识别模型进行训练，得到训练完成的图像识别模型的具体处理过程包括如下步骤：

根据第一子样本和第二子样本以及预设的课程学习训练策略，对图像识别模型进行图像识别的分层级训练，得到训练完成的图像识别模型。

在实施中，计算机设备根据第一子样本、第二子样本以及预设的课程学习训练策略(Curriculum learning,CL)，对图像识别模型进行分层级训练，即先基于第一子样本(简单样本)进行训练学习，再基于第一子样本和第二子样本(复杂样本)对图像识别模型进行联合训练学习，得到训练完成的图像识别模型。

本实施例中，通过目标样本中包含的第一子样本、第二子样本以及预设的课程学习训练策略，对图像识别模型进行训练，使得图像识别模型由简单到复杂逐步学习目标样本中的图像数据的特征信息，提升图像识别模型的鲁棒性以及图像识别准确度。

在一示例性实施例中，如图5所示，在上述实施例的步骤中根据第一子样本和第二子样本以及预设的课程学习训练策略，对图像识别模型进行分层级训练，得到训练完成的图像识别模型的具体过程通过以下步骤实现：

在步骤S510中，在预设数目个目标出度平均值中筛选出最大的目标出度平均值，并将最大的目标出度平均值确定为第一目标出度平均值。

在实施中，在筛选出的预设数目个目标出度值的平均值中，计算机设备将最大的目标出度平均值对应的目标图像数据组作为第一目标图像数据组。

在步骤S520中，将第一目标出度平均值对应的目标图像数据组确定为第一目标图像数据组。

在实施中，计算机设备将第一目标出度平均值对应的目标图像数据组确定为第一目标图像数据组。

在步骤S530中，基于第一目标图像数据组对应的图像数据，构建第一子样本；

在实施中，基于该第一目标图像数据组对应的图像数据，构建第一子样本。具体地，该第一目标图像数据组对应的图像数据的出度值普遍较高，即表示初始样本中的图像数据大多数与第一目标图像数据组对应的图像数据相似。因此，该第一目标图像数据组对应的图像数据的图像内容是初始样本中普遍反映的图像内容。相对于噪声图像数据包含非普遍图像内容来说，第一目标图像数据组对应的图像数据的图像内容是简单易区分的，故将第一目标图像数据组对应的图像数据构建为第一子样本，以对图像识别模型进行第一阶段训练。

在步骤S540中，将除最大的目标出度平均值之外其他的目标出度平均值，确定为第二目标出度平均值。

在实施中，在筛选出的预设数目个目标出度值中，除去最大的目标出度值之外，还存在其他的目标出度值，计算机设备将除去最大的目标出度平均值之外的其他目标出度平均值对应的目标图像数据组作为第二目标图像数据组。

在步骤S550中，将第二目标出度平均值对应的目标图像数据组确定为第二目标图像数据组。

在实施中，计算机设备将第二目标出度平均值对应的目标图像数据组确定为第二目标图像数据组。

在步骤S560中，基于第二目标图像数据组对应的图像数据，构建第二子样本。

在实施中，计算机设备基于该第二目标图像数据组对应的图像数据，构建第二子样本。

本实施例中，根据筛选出的目标图像数据识别结果对应的图像数据以及预设的样本构建策略，构建得到第一子样本和第二子样本，该第一子样本第二子样本中图像数据的图像识别难度小于第二子样本中图像数据的图像识别难度，以使图像识别模型基于第一子样本和第二子样本进行模型训练时，可以由简单到复杂逐步学习目标样本特征。

在一示例性实施例中，如图6所示，根据第一子样本和第二子样本以及预设的课程学习训练策略，对图像识别模型进行分层级训练，得到训练完成的图像识别模型的具体过程通过以下步骤实现：

在步骤S610中，将第一子样本输入图像识别模型，通过第一子样本携带的标注信息，对图像识别模型进行有监督式预训练，得到预训练后的图像识别模型。

在实施中，计算机设备预先设置图像识别模型的学习率参数为0.01，图像识别模型中的优化器为SGD(stochastic gradient descent，随机梯度下降法)，迭代次数为20w次，且预设label-smoothing算法来对各图像数据的标签特征进行平滑化，以提升模型的泛化性，然后，计算机设备将第一子样本输入图像识别模型，通过第一子样本携带的标注信息，对图像识别模型进行有监督式预训练，在训练过程中基于图像识别模型的输出结果，不断优化图像识别模型的模型参数，计算图像识别模型的损失函数Loss，直到损失函数不再下降或者达到总的迭代次数，图像识别模型停止迭代计算，该图像识别模型的预训练完成。

在步骤S620中，将第一子样本和第二子样本输入预训练后的图像识别模型，通过第一子样本和第二子样本携带的标注信息，对预训练后的图像识别模型进行有监督式训练，得到训练完成的图像识别模型。

在实施中，为了防止图像识别模型遗忘第一子样本的样本特征，在进行第二阶段的图像识别模型的训练时，计算机设备将第一子样本和第二子样本输入至预训练后的图像识别模型，根据第一子样本、第二子样本中各图像数据的标注信息，对预训练后的图像识别模型进行有监督式训练，在训练过程中基于图像识别模型的输出结果，不断优化图像识别模型的模型参数，计算图像识别模型的损失函数Loss，直到损失函数不再下降或者达到总的迭代次数，图像识别模型停止迭代，该图像识别模型的训练完成。

本实施例中，通过第一子样本、第二子样本以及预设的课程学习训练策略，对图像识别模型进行训练，使得图像识别模型由简单到复杂逐步学习目标样本中的图像数据的特征信息，提高了图像识别模型的泛华性以及图像识别准确度。

在一示例性实施例中，如图7所示，该图像数据处理方法还包括：

在步骤S710中，将待识别图像输入至训练完成的图像识别模型。

在实施中，当需要对某一图像数据进行分类判别时，计算机设备将该图像数据输入至训练完成的图像识别模型中，以对该图像数据包含的目标对象的类型的判别处理。其中，该图像识别模型是经过上述实施例中图像数据处理方法训练完成的，本公开实施例对于图像识别模型的具体训练方法不再赘述。

在步骤S720中，通过图像识别模型对待识别图像进行特征提取，得到待识别图像的特征向量，并对待识别图像的特征向量进行分类判别，得到待识别图像的分类概率。

在实施中，计算机设备通过图像识别模型对待识别图像进行特征提取，得到待识别图像的特征向量D，并对该待识别图像的特征向量进行分类判别，输出该待识别图像的分类概率。例如，若图像识别模型为二分类识别模型，即仅针对一种类型的目标对象进行是与否的分类判断，则图像识别模型输出当前图像数据为包含该种目标对象的图像数据的分类概率。若图像识别模型为多分类识别模型，即针对多种类型的目标对象进行分类判断，则图像识别模型输出当前图像数据分别属于多种目标对象的图像数据类别的分类概率。

在步骤S730中，根据待识别图像的分类概率，确定待识别图像的分类结果。

在实施中，计算机设备根据待识别图像的分类概率，确定待识别图像的分类结果。具体地，针对二分类识别模型输出的分类概率，当分类概率大于设定的概率阈值R时，判断为该图像数据属于包含目标对象的图像数据的类，然后，计算机设备可以将表示该类的类别标识输出反馈。当分类概率小于或者等于设定的概率阈值R时，判断为该图像数据不属于包含目标对象的图像数据的类，计算机设备可以对该分类结果进行输出反馈。类似的，针对多酚类识别模型输出的多个分类概率，计算机设备将多个分类概率中最大的分类概率对应的类别，确定为当前的图像数据所属的类，然后，计算机设备可以将该分类结果输出反馈。

本实施例中，根据目标样本以及课程学习模型训练策略训练得到的图像识别模型，准确度较高，泛化性强，可以实现对图像数据的图像内容中包含的目标对象进行自动化分类判别，得到分类结果，提高图像数据处理效率。

应该理解的是，虽然图1-图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

可以理解的是，本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见，每个实施例重点说明的是与其他实施例的不同之处，相关之处参见其他方法实施例的说明即可。

图8是根据一示例性实施例示出的一种图像数据处理装置框图。参照图8，该装置800包括获取单元810，确定单元820、处理单元830、构建单元840和训练单元850。

获取单元810，被配置为执行获取初始样本，初始样本中包含多个图像数据；

确定单元820，被配置为执行确定每一图像数据对应的出度值；出度值表征初始样本中与每一图像数据的相似度满足预设相似度条件的其他图像数据的数量；

处理单元830，被配置为执行根据每一图像数据对应的出度值，对图像数据进行分类处理，得到分类后的各图像数据组；

构建单元840，被配置为执行根据各图像数据组中的目标图像数据组对应的图像数据，构建目标样本；

训练单元850，被配置为执行在各图像数据组中确定目标图像数据组，并基于目标图像数据组对应的图像数据，构建目标样本。

在一示例性实施例中，确定单元820包括：

特征提取子单元，被配置为执行对每一图像数据进行特征提取，得到每一图像数据对应的图像特征向量；

第一构建子单元，被配置为执行根据预设的距离算法，确定两两图像特征向量间的距离，并根据两两图像特征向量间的距离，构建得到距离矩阵；

第一确定子单元，被配置为执行针对每一图像数据，根据距离矩阵，确定与图像数据间的距离满足预设距离条件的图像数据作为参照图像数据；

第二构建子单元，被配置为执行以每一图像数据为起始节点，以每一图像数据对应的参照图像数据为终止节点，构建各图像数据对应的特征分布图；

第二确定子单元，被配置为执行基于特征分布图，确定图像数据对应的出度值。

在其中一个示例性实施例中，处理单元830被配置为执行根据每一图像数据对应的出度值以及预设的出度聚类算法，得到出度值分类结果，并基于出度值分类结果确定图像数据组。

在一示例性实施例中，处理单元830包括：

聚类子单元，被配置为执行根据预设的出度聚类算法以及预设的聚类数目，对各图像数据对应的出度值进行聚类，得到聚类数目个出度值分类结果；

确定子单元，被配置为执行根据每一类出度值分类结果对应的出度值，将与出度值对应的图像数据划分为一组，得到各图像数据组。

在其中一个示例性实施例中，每一图像数据组对应一个聚类中心，聚类中心为为图像数据组对应的出度值聚类后得到的出度值的平均值，构建单元840包括：

排序子单元，被配置为执行对各图像数据组对应的聚类中心进行由大到小排序，得到平均值序列；

确定子单元，被配置为执行在平均值序列中，选取前预设数目个出度值的平均值，作为目标出度平均值，将目标出度平均值对应的图像数据组，确定为目标图像数据组；

构建子单元，被配置为执行根据目标图像数据组对应的图像数据，构建目标样本。

在其中一个示例性实施例中，目标样本包括第一子样本和第二子样本，第一子样本中包含的图像数据的识别复杂度小于第二子样本包含的图像数据的识别复杂度；课程学习训练策略为基于样本复杂度对模型进行分层级训练的训练策略，训练单元850具体被配置为执行根据第一子样本和第二子样本以及预设的课程学习训练策略，对图像识别模型进行分层级训练，得到训练完成的图像识别模型。

在其中一个示例性实施例中，构建子单元包括：

第一确定子单元，被配置为执行在预设数目个目标出度平均值中筛选出最大的目标出度平均值，并将最大的目标出度平均值确定为第一目标出度平均值；

第二确定子单元，被配置为执行将第一目标出度平均值对应的目标图像数据组确定为第一目标图像数据组；

第一构建子单元，被配置为执行基于第一目标图像数据组对应的图像数据，构建第一子样本；

第三确定子单元，被配置为执行将除最大的目标出度平均值之外其他的目标出度平均值，确定为第二目标出度平均值；

第四确定子单元，被配置为执行将第二目标出度平均值对应的目标图像数据组确定为第二目标图像数据组；

第二构建子单元，被配置为执行基于第二目标图像数据组对应的图像数据，构建第二子样本。

在其中一个示例性实施例中，训练单元850包括：

第一训练子单元，被配置为执行将第一子样本输入图像识别模型，通过第一子样本携带的标注信息，对图像识别模型进行有监督式预训练，得到预训练后的图像识别模型；

第二训练子单元，被配置为执行将第一子样本和第二子样本输入预训练后的图像识别模型，通过第一子样本和第二子样本携带的标注信息，对预训练后的图像识别模型进行有监督式训练，得到训练完成的图像识别模型。

在其中一个示例性实施例中，该图像数据处理装置800还包括：

输入单元，被配置为执行将待识别图像输入至训练完成的图像识别模型；

输出单元，被配置为执行通过图像识别模型对待识别图像进行特征提取，得到待识别图像的特征向量，并对待识别图像的特征向量进行分类判别，得到待识别图像的分类概率；

判别单元，被配置为执行根据待识别图像的分类概率，确定待识别图像的分类结果。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图9是根据一示例性实施例示出的一种用于图像数据处理的电子设备900的框图。例如，电子设备900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。

参照图9，电子设备900可以包括以下一个或多个组件：处理组件902、存储器904、电源组件906、多媒体组件908、音频组件910、输入/输出(I/O)的接口912、传感器组件914以及通信组件916。

处理组件902通常控制电子设备900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902可以包括一个或多个处理器920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902可以包括一个或多个模块，便于处理组件902和其他组件之间的交互。例如，处理组件902可以包括多媒体模块，以方便多媒体组件908和处理组件902之间的交互。

存储器904被配置为存储各种类型的数据以支持在电子设备900的操作。这些数据的示例包括用于在电子设备900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904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、光盘或石墨烯存储器。

电源组件906为电子设备900的各种组件提供电力。电源组件906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900生成、管理和分配电力相关联的组件。

多媒体组件908包括在所述电子设备900和用户之间的提供输出接口的屏幕。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908包括前置摄像头和/或后置摄像头。当电子设备900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910被配置为输出和/或输入音频信号。例如，音频组件910包括麦克风(MIC)，当电子设备900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904或经由通信组件916发送。在一些实施例中，音频组件910还包括扬声器，用于输出音频信号。

I/O接口912为处理组件902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914包括一个或多个传感器，用于为电子设备900提供各个方面的状态评估。例如，传感器组件914可以检测到电子设备900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900的显示器和小键盘，传感器组件914还可以检测电子设备900或电子设备900组件的位置改变，用户与电子设备900接触的存在或不存在，设备900方位或加速/减速和电子设备900的温度变化。传感器组件914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914还可以包括光传感器，如CMOS或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914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916被配置为便于电子设备900和其他设备之间有线或无线方式的通信。电子设备900可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件916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916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900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，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器904，上述指令可由电子设备900的处理器920执行以完成上述方法。例如，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供一种计算机程序产品，所述计算机程序产品中包括指令，上述指令可由电子设备900的处理器920执行以完成上述方法。

需要说明的，上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。