场景元素融合处理方法、装置和设备及计算机存储介质转让专利
申请号 : CN202110176324.0
文献号 : CN112529116B
文献日 : 2021-06-25
发明人 : 李德辉
申请人 : 腾讯科技(深圳)有限公司
摘要 :
权利要求 :
1.一种场景元素融合处理方法,其特征在于,所述方法包括:从包含多个源样本图片的源样本图片集合中,获取包含目标类型元素的源样本图片,每一个源样本图片包含多种类型的元素,且每一个元素设置了相应的标注信息;
根据标注信息,从所述包含目标类型元素的源样本图片中,提取目标类型元素所在的目标区域图片;
从待进行元素数量增强的目标样本图片集合中确定N个目标样本图片;其中,每一个目标样本图片包含多种类型的元素,且每一个元素设置了相应的标注信息,所述目标类型元素为所述目标样本图片集合中的缺失元素,或者所述目标样本图片集合中所述目标类型元素的数量不大于其他类型元素,各源样本图片与各目标样本图片具有相同的场景类型;
为所述N个目标样本图片中的每一个目标样本图片选取至少一个目标区域图片;
将所述至少一个目标区域图片融入相应目标样本图片中,获得包含所述目标类型元素的N个目标样本图片;
根据所述目标类型元素的元素类型信息,以及融入每一个目标样本图片的目标区域图片的坐标信息,相应更新每一个目标样本图片的标注文件;
基于所述N个目标样本图片与所述目标样本图片集合中其余M个目标样本图片,构成训练样本图片集合;其中,所述训练样本图片集合包含的各类元素的元素数量均衡;
其中,从待进行元素数量增强的目标样本图片集合中确定N个目标样本图片,包括:根据所述目标样本图片集合中各个目标样本图片的标注信息,确定所述目标样本图片集合中标注的所述目标类型元素的总数量以及其他类型元素的总数量;
根据所述目标类型元素的总数量以及所述其他类型元素的总数量,确定所述目标样本图片集合需增加的所述目标类型元素的总数量;
根据需增加的所述目标类型元素的总数量,从所述目标样本图片集合确定所述N个目标样本图片;其中,所述N个目标样本图片中各个目标样本图片对应的需增加的目标类型元素的数量之和,与需增加的所述目标类型元素的总数量相同。
2.如权利要求1所述的方法,其特征在于,根据标注信息,从所述包含目标类型元素的源样本图片中,提取目标类型元素所在的目标区域图片,包括:针对各个源样本图片的标注文件,获取相应的标注信息;
针对获得的各个标注信息,分别执行以下操作:确定获得的一个标注信息中指示的元素类型包含所述目标类型元素时,根据所述一个标注信息指示的所述目标类型元素的坐标信息,从相应的源样本图片中截取所述目标类型元素对应的目标区域图片。
3.如权利要求1所述的方法,其特征在于,针对一个目标样本图片,为所述一个目标样本图片选取至少一个目标区域图片,包括:根据所述需增加的所述目标类型元素的总数量,为所述一个目标样本图片选取相应数量的目标区域图片;其中,所述N个目标样本图片中各个目标样本图片需增加的所述目标类型元素的数量之和与需增加的所述目标类型元素的总数量相同;或者,为所述一个目标样本图片选取设定数量的目标区域图片。
4.如权利要求1所述的方法,其特征在于,从待进行元素数量增强的目标样本图片集合中确定N个目标样本图片,包括:
根据所述目标样本图片集合中各个目标样本图片的标注信息,分别确定所述各个目标样本图片各自对应的所述目标类型元素的数量;
将所述目标类型元素的数量不大于预设数量阈值的目标样本图片确定为所述N个目标样本图片。
5.如权利要求1所述的方法,其特征在于,将所述至少一个目标区域图片融入相应目标样本图片中,获得包含所述目标类型元素的N个目标样本图片,包括:确定所述目标类型元素在所述一个目标样本图片中的融合区域;
对所述一个目标样本图片对应的所述至少一个目标区域图片在所述融合区域中分别进行融合处理,以得到包含所述目标类型元素的一个目标样本图片;其中,针对一个目标区域图片,将所述一个目标区域图片在所述融合区域中进行融合处理时,将所述一个目标区域图片中所述目标类型元素的像素覆盖所述融合区域中对应位置的像素。
6.如权利要求5所述的方法,其特征在于,确定所述目标类型元素在所述一个目标样本图片中的融合区域,包括:
基于所述一个目标样本图片对应的像素矩阵,将预设行范围内的区域确定为所述融合区域;或者,
识别所述目标类型元素在所述一个目标样本图片中出现概率大于预设概率值的区域,并将所述出现概率大于所述预设概率值的区域确定为所述融合区域。
7.如权利要求1所述的方法,其特征在于,所述场景类型为道路场景,每一源样本图片和目标样本图片均采用所述道路场景中多个道路元素构成,且每一源样本图片和目标样本图片中对至少一个道路元素的类型和位置进行了标注;
所述道路元素包括行人、车辆、交通指示物、植被或者建筑中的一种或者多种的组合。
8.如权利要求7所述的方法,其特征在于,在基于所述N个目标样本图片与所述目标样本图片集合中其余M个目标样本图片,构成训练样本图片集合之后,所述方法还包括:根据所述训练样本图片集合对道路元素识别模型进行模型训练,得到已训练的道路元素识别模型;
在车辆行驶过程中采集道路图片,并利用所述已训练的道路元素识别模型对所述道路图片进行道路元素的识别;
根据道路元素识别结果确定所述车辆的驾驶指导方案。
9.一种场景元素融合处理装置,其特征在于,所述装置包括:图片集合获取单元,用于从包含多个源样本图片的源样本图片集合中,获取包含目标类型元素的源样本图片,每一个源样本图片包含多种类型的元素,且每一个元素设置了相应的标注信息;
元素提取单元,用于根据标注信息,从所述包含目标类型元素的源样本图片中,提取目标类型元素所在的目标区域图片;
融合处理单元,用于从待进行元素数量增强的目标样本图片集合中确定N个目标样本图片;其中,每一个目标样本图片包含多种类型的元素,且每一个元素设置了相应的标注信息,所述目标类型元素为所述目标样本图片集合中的缺失元素,或者所述目标样本图片集合中所述目标类型元素的数量不大于其他类型元素,各源样本图片与各目标样本图片具有相同的场景类型;为所述N个目标样本图片中的每一个目标样本图片选取至少一个目标区域图片;将所述至少一个目标区域图片融入相应目标样本图片中,获得包含所述目标类型元素的N个目标样本图片;根据所述目标类型元素的元素类型信息,以及融入每一个目标样本图片的目标区域图片的坐标信息,相应更新每一个目标样本图片的标注文件;并基于所述N个目标样本图片与所述目标样本图片集合中其余M个目标样本图片,构成训练样本图片集合;其中,所述训练样本图片集合包含的各类元素的元素数量均衡;
其中,所述融合处理单元从待进行元素数量增强的目标样本图片集合中确定N个目标样本图片,包括:
根据所述目标样本图片集合中各个目标样本图片的标注信息,确定所述目标样本图片集合中标注的所述目标类型元素的总数量以及其他类型元素的总数量;根据所述目标类型元素的总数量以及所述其他类型元素的总数量,确定所述目标样本图片集合需增加的所述目标类型元素的总数量;根据需增加的所述目标类型元素的总数量,从所述目标样本图片集合确定所述N个目标样本图片;其中,所述N个目标样本图片中各个目标样本图片对应的需增加的目标类型元素的数量之和,与需增加的所述目标类型元素的总数量相同。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,
所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
11.一种计算机存储介质,其上存储有计算机程序指令,其特征在于,该计算机程序指令被处理器执行时实现权利要求1至8任一项所述方法的步骤。
说明书 :
场景元素融合处理方法、装置和设备及计算机存储介质
技术领域
背景技术
在监督学习中,有标注的数据集是不可或缺的,它在训练时提供模型输入和输出真值,引导
模型学习参数,并在测试时,则可以量化以及评估模型的效果。
相差较大的情况,数据集也常常存在缺少某些类别的元素或不同类别元素数量失衡的问
题。
但是该方法无法增加数据集的元素类别,要获取包含更多元素类别的数据集只能重新进行
人工标注。
发明内容
片和目标样本图片均采用多种类型的元素构成,且每一源样本图片和目标样本图片包括的
至少一个元素均设置了相应的标注信息;
样本图片。
景类型,每一源样本图片和目标样本图片均采用多种类型的元素构成,且每一源样本图片
和目标样本图片包括的至少一个元素均设置了相应的标注信息;
片集合;
元素的至少一个目标样本图片。
坐标信息,从相应的源样本图片中截取所述目标类型元素对应的目标区域图片。
述一个目标样本图片与所述至少一个目标区域图片进行融合处理,获得包含所述目标类型
元素的一个目标样本图片。
类型元素的数量之和,与需增加的所述目标类型元素的总数量相同。
所述目标类型元素的数量之和与需增加的所述目标类型元素的总数量相同;或者,
标区域图片,将所述一个目标区域图片在所述融合区域中进行融合处理时,将所述一个目
标区域图片中所述目标类型元素的像素覆盖所述融合区域中对应位置的像素。
标信息,更新所述一个目标样本图片的标注文件。
的类型和位置进行了标注;
练,得到已训练的道路元素识别模型;
计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执
行上述任一种方法的步骤。
域图片集,并通过将目标区域图片集对目标样本图片集合中的多个目标样本图片进行融合
处理,从而能够得到增加了目标类型元素的目标样本图片,这样,针对目标样本图片集合中
缺失元素或者失衡元素,则可以通过上述的过程在目标样本图片中有针对性的进行添加,
从而对目标样本图片集合进行增强,使得目标样本图片集合中各元素之间的数量能够达到
预期的标准,进而,在利用目标样本图片集合进行模型训练时,则训练得到的模型能够均衡
的学习得到各个元素的特征,不会倾向于某类元素的识别,从而提升训练得到的模型的准
确性。
附图说明
申请实施例,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,还可以根据提
供的附图获得其他的附图。
具体实施方式
是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人
员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。在
不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流
程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述
的步骤。
构建目标类型元素集合,目标样本图片集合为待增强的数据集,从源样本图片集合中提取
的元素,添加至目标样本图片集合中各个样本中。
论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解
智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能
也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机
视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学
习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。
机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式
教学习等技术。
器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数
据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理
解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、
虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生
物特征识别技术。
习是当前计算机视觉算法的主流方法。
倾向于学习到训练损失最小的权值,当某类样本数量占大多数时,模型会倾向拟合此类别
的样本,而忽略样本数量少的类别,最后造成少数量样本的类别准确率低。
的目标区域图片,构建该目标类型元素对应的目标区域图片集,并通过将目标区域图片集
对目标样本图片集合中的多个目标样本图片进行融合处理,从而能够得到增加了目标类型
元素的目标样本图片,这样,针对目标样本图片集合中缺失元素或者失衡元素,则可以通过
上述的过程在目标样本图片中有针对性的进行添加,从而对目标样本图片集合进行增强,
使得目标样本图片集合中各元素之间的数量能够达到预期的标准,进而,在利用目标样本
图片集合进行模型训练时,则训练得到的模型能够均衡的学习得到各个元素的特征,不会
倾向于某类元素的识别,从而提升训练得到的模型的准确性。
施例而非限定。在具体实施过程中,可以根据实际需要灵活地应用本申请实施例提供的技
术方案。
和数据生成设备20。
式为设置于车辆上的摄像机,可以通过该摄像机拍摄下车辆经过时的图片以作为样本图
片,另一种可能的实施方式可以为设置于路测的监控设备,进而可以将监控设备拍摄的图
片作为样本图片。或者,还可以通过从网络中获取图片的方式获取样本图片,那么图像采集
设备10可以为相应的计算机设备。
可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据
库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及
大数据和人工智能平台等基础云计算服务的云服务器,但并不局限于此。
实施例提供的方案中涉及到的目标类型元素对应的目标区域图片集以及数据集等。其中,
数据生成设备20的存储器202中可以存储本申请实施例提供的场景元素融合处理方法的程
序指令,这些程序指令被处理器201执行时能够用以实现本申请实施例提供的场景元素融
合处理方法的步骤,以生成添加了目标类型元素的训练数据集。
处理方法,利用存储的样本图片来获取添加了目标类型元素的训练数据集,该训练数据集
可以用于机器学习,以对相应的模型进行训练。
者建筑中的一种或者多种的组合。在实际应用时,每一样本图片可以为实际采集的道路图
片,道路图片构成源样本图片集合与目标样本集合,例如针对源样本图片集合标注了红绿
灯,包括其类型为红绿灯以及位置,进而可以从源样本图片集合中提取包括红绿灯元素,并
将红绿灯元素融合至目标样本集合中,融合后的目标样本集合则可以包括多种道路元素的
标注,从而可以利用目标样本集合进行道路元素模型的训练,训练得到的模型可以用于实
际道路元素识别过程。
时识别周围的道路元素,从而可以根据识别到的道路元素制定自动驾驶方案,例如识别前
方有红绿灯时,需要进一步确认红绿灯的状态,以确定是否停止车辆前进,或者,识别前方
有行人时,需要及时避让行人。
从而可以根据识别到的道路元素为驾驶人员制定驾驶指导信息,从而为驾驶人员进行导航
指导。例如,在识别前方有行人时,即使提醒驾驶人员避让行人。
动蜂窝网络,或者可以是无线保真(Wireless‑Fidelity,WIFI)网络,当然还可以是其他可
能的网络,本发明实施例对此不做限制。
实现的功能将在后续的方法实施例中一并进行描述,在此先不过多赘述。
且目标样本图片集合为待增强的数据集,通过从源样本图片集合进行目标类型元素的提
取,并将提取的目标类型元素融合入目标样本图片集合中。
者红绿灯路口图片等等。
到的模型则对行人和车辆能够进行识别,而无法识别红绿灯,因而若是想要该模型能够识
别红绿灯,则需要在数据集B中添加红绿灯元素,而数据集A刚好对红绿灯进行了标注,那么
则可以利用数据集A中的已标注元素,即红绿灯对数据集B进行元素增强。
衡,若是利用数据集C进行训练得到的模型则更倾向于行人和车辆的识别,对于红绿灯的识
别能力更弱,因此为了使得数据集C中各个类别元素数量均衡,则需要在数据集C中添加红
绿灯元素,而数据集A刚好对红绿灯进行了标注,那么则可以利用数据集A中的已标注元素,
即红绿灯对数据集C进行元素增强。
从而增加数据集C中红绿灯元素的数量。
片集合。
可以整个源样本图片集合中多个源样本图片对应一个标注文件,例如可以整个源样本图片
集合对应一个标注文件,即所有源样本图片的标注信息均存储于一个标注文件中,那么在
需要某个源样本图片的标注信息时,则可以从该标注文件中查询得到。或者,也可以是一个
源样本图片对应一个标注文件,那么在需要某个源样本图片的标注信息时,则可以从查询
得到该源样本图片的标注文件,进而获取标注信息。
还可以采用被标注元素的标注框的对角线顶点坐标表示。
片中进行提取。针对于每个包含目标类型元素的源样本图片,其提取目标类型元素的过程
是类似的,因而下面以源样本图片A为例对该过程进行介绍,如图3所示,为以源样本图片A
为例,从源样本图片A中截取目标区域图片的流程示意图。
绿灯为例,如图4中所示,标注信息具体可包括标注框内元素类型信息以及坐标信息,即图4
所示为“light”表征元素为红绿灯。
含目标类型元素时,则流程结束。
算机设备中进行存储时是采用像素矩阵的形式进行存储的,那么可以根据坐标信息与图片
中像素的映射关系,从源样本图片A中读取目标类型元素区域的数据,进而根据该数据生成
相应的目标区域图片。
在源样本图片A中的区域,进而从源样本图片A的像素矩阵中读取这些像素,生成包含红绿
灯的目标区域图片。
图5所示,是以目标类型元素为红绿灯为例的目标区域图片集合示意图,其中,目标区域图
片集合是由从源样本图片中提取的多个目标类型元素的目标区域图片组成的,图5所示的
目标区域图片集合则是提取的各个红绿灯图片组成的。
片。
包括目标类型元素的至少一个目标样本图片。在实际应用中,增强后的至少一个目标样本
图片与目标区域图片集合中其他未经融合处理的目标样本图片构成一个新的样本图片集
合,该样本图片集合为元素增强后的样本图片集合,可以作为训练数据集用于实际的模型
训练中。
按照一定的比例选择至少一个目标样本图片,例如可以设置对目标样本图片集合中的80%
或者85%等比例的目标样本图片进行融合处理。
合处理,或者,可以选取未包含目标类型元素的至少一个目标样本图片。
的,目标样本图片集合中已标注的其他类型元素的数量可以通过标注信息获取,因而可以
根据目标样本图片集合中各个目标样本图片的标注信息,确定目标样本图片集合中标注的
目标类型元素的总数量以及其他类型元素的总数量,进而根据目标类型元素的总数量以及
其他类型元素的总数量,确定目标样本图片集合需增加的目标类型元素的总数量,例如当
目标样本图片集合中目标类型元素的总数量为零,而其他类型元素的总数量基本为10000
时,则可以确定需增加的目标类型元素的总数量为10000,或者,当目标样本图片集合中目
标类型元素的总数量为3000,而其他类型元素的总数量基本为10000时,则可以确定需增加
的目标类型元素的总数量为7000。
图片中各个目标样本图片对应的目标类型元素的数量之和,与需增加的目标类型元素的总
数量相同。
息,分别确定各个目标样本图片各自对应的目标类型元素的数量,进而,将目标类型元素的
数量不大于预设数量阈值的目标样本图片确定为至少一个目标样本图片。
的目标类型元素的数量之和与需增加的目标类型元素的总数量相同。例如,选定了3000个
需要进行融合处理的目标样本图片之后,且需增加的目标类型元素的总数量为9000,则可
以为每个目标样本图片分配需要添加的目标类型元素的数量,进而根据各个目标样本图片
的数量从目标区域图片集中选取相应数量的目标区域图片,各个目标样本图片的数量可以
不同,而这3000个目标样本图片的数量之和为9000。
确定需要添加的目标类型元素的总数量之后,可以同时选定至少一个目标样本图片的数量
和每个目标样本图片所对应的目标区域图片的数量。
图片C融合至目标样本图片B中。
偏上的位置,因此可以将目标样本图片中设定高度的区域作为目标区域图片可融合进的区
域。由于目标样本图片是通过像素矩阵的方式存储的,因此可以将目标样本图片的像素矩
阵中预设行范围内的区域确定为融合区域。
将出现概率大于预设概率值的区域确定为融合区域。
已标注的元素区域。
目标样本图片的标注文件。
区域图片各自对应的元素类型信息以及各个目标区域图片各自在一个目标样本图片的坐
标信息,进而可以分别在各个目标样本图片的标注文件中更新各自对应的标注信息,以用
于后续的模型训练。
包含红绿灯元素的数据集B’,如图8所示,在新增红绿灯元素之前,数据集B中的目标样本图
片包括已标注的人(person)和车辆(vehicle)两种元素,而并未包括红绿灯元素,则进行融
合处理之后,在该目标样本图片中新增了3个红绿灯,进而融合处理得到的目标样本图片是
包含了红绿灯元素的样本图片。
注的红绿灯、人(person)和车辆(vehicle)两种元素,但是由于数据集C中整体上红绿灯元
素的数量较少,因而需要在数据集C新增红绿灯元素,则进行融合处理之后,在该目标样本
图片中新增了2个红绿灯,进而融合处理得到的目标样本图片是包含了红绿灯元素的样本
图片。
再赘述。
行训练,本申请实施例对此不做限制。
者建筑中的一种或者多种的组合,当然,可以包括其他可能的道路元素。
片集合对道路元素识别模型进行模型训练,得到已训练的道路元素识别模型。进而,在车辆
行驶过程中采集道路图片,并利用已训练的道路元素识别模型对道路图片进行道路元素的
识别,以根据道路元素识别结果确定车辆的驾驶指导方案。
中,可以通过上述训练得到道路元素识别模型对拍摄的道路图片进行实时的道路元素的识
别,从而可以根据识别到的道路元素制定自动驾驶方案,或者,在驾驶人员驾驶车辆行驶过
程中,也可以通过上述训练得到道路元素识别模型实时识别周围的道路元素,从而可以根
据识别到的道路元素为驾驶人员制定驾驶指导信息,从而为驾驶人员进行导航指导。
需要人工重新标注的情况下得到包含更多元素类别的数据集,以及通过控制各类融合元素
的数量,从根本上改善数据集样本失衡的问题,进而可以只依赖现有的数据集用极低的成
本生成包含更多类别元素的数据集,也可以通过元素数量补充用极低的成本来改善现有数
据集中不同类别元素数量不均衡的问题。
的场景类型,每一源样本图片和目标样本图片均采用多种类型的元素构成,且每一源样本
图片和目标样本图片包括的至少一个元素均设置了相应的标注信息;
域图片集合;
类型元素的至少一个目标样本图片。
相应的源样本图片中截取目标类型元素对应的目标区域图片。
本图片与至少一个目标区域图片进行融合处理,获得包含目标类型元素的一个目标样本图
片;
和,与需增加的目标类型元素的总数量相同。
量之和与需增加的目标类型元素的总数量相同;或者,
个目标区域图片在融合区域中进行融合处理时,将一个目标区域图片中目标类型元素的像
素覆盖融合区域中对应位置的像素。
一个目标样本图片的标注文件。
位置进行了标注;
练的道路元素识别模型;
各功能模块所能够实现的功能等可参考图2 图10所示的实施例的描述,不多赘述。需要说
~
明的是,标注更新单元1104、模型训练单元1105、识别单元1106以及驾驶指导单元1107虽然
在图11中一并示出,但标注更新单元1104、模型训练单元1105、识别单元1106以及驾驶指导
单元1107不是必选的功能单元,因此在图11中以虚线进行示出。
程序等;存储数据区可存储根据计算机设备的使用所创建的数据等。处理器1202,可以是一
个中央处理单元(central processing unit, CPU),或者为数字处理单元等等。本申请实
施例中不限定上述存储器1201和处理器1202之间的具体连接介质。本申请实施例在图12中
以存储器1201和处理器1202之间通过总线1203连接,总线1203在图12中以粗线表示,其它
部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线1203可以分为地址总
线、数据总线、控制总线等。为便于表示,图12中仅用一条粗线表示,但并不表示仅有一根总
线或一种类型的总线。
memory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固
态硬盘(solid‑state drive,SSD)、或者存储器1201是能够用于携带或存储具有指令或数
据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器
1201可以是上述存储器的组合。
示的实施例中设备所执行的方法。
使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的方法中的
步骤,例如,所述计算机设备可以执行如图2 图10所示的实施例中设备所执行的方法。
~
外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子
(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只
读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
选实施例以及落入本申请范围的所有变更和修改。
之内,则本申请也意图包含这些改动和变型在内。