一种多任务数字视网膜特征流的编码方法及解码方法

摘要

本发明公开了一种多任务数字视网膜特征流的编码方法及解码方法，经过差分编码后带来的额外存储比特需求非常小，未来新增的其他机器分析任务也可以在变换深度特征的基础之上继续使用差分编码的方式，这就使得每次新增机器分析任务都只需要带来额外少量的存储比特需求，实现了低成本升级的能力。无论数字视网膜系统需要新增多少机器分析任务，只需要从特征流数据中分离出对应的变换深度特征，即可在云端动态的实现新增的机器分析任务。

权利要求

1.一种多任务数字视网膜特征流的编码方法，其特征在于，所述方法包括：步骤A，构建一个用于多任务的BP神经网络；

步骤B，在视频采集前端部署所述BP神经网络的低层网络作为特征提取网络；

步骤C，在云端获得新任务时，基于已经部署的所述特征提取网络作为固化的网络，训练一个变换网络，该变换网络以所述特征提取网络从视频数据中提取的深度特征为输入，并以新增任务的目标数据为输出；

步骤D，在前端部署所述变换网络的低层网络，作为新增任务的特征提取网络；

步骤E，前端通过所述特征提取网络获得深度特征，将所述深度特征输入至所述新增任务的特征提取网络，获得变换深度特征；

步骤F，对深度特征进行视频编码，并对所述变换深度特征和深度特征的差值进行视频编码，获得差值的编码数据，输出或存储在云端。

2.如权利要求1所述的一种多任务数字视网膜特征流的编码方法，其特征在于，所述BP神经网络用于至少一个视频重建的任务以及至少一个机器分析的任务。

3.一种多任务数字视网膜特征流的解码方法，其特征在于，包括以下步骤：步骤a，对特征流数据进行解码，所述特征流数据通过权利要求1的多任务数字视网膜特征流的编码方法进行编码得到；并从中分离出深度特征和变换深度特征；

步骤b，将所述深度特征输入至此前部署的机器任务的高层网络，获得所述机器任务的目标数据；

步骤c，将所述变换深度特征输入至变换网络的高层网络，获得新部署的机器任务的目标数据。

4.如权利要求3所述的一种多任务数字视网膜特征流的解码方法，其特征在于，所述步骤b中当获得所述机器任务的目标数据时，所述高层网络未发生任何改变。

5.如权利要求3所述的一种多任务数字视网膜特征流的解码方法，其特征在于，所述步骤c包括只需要从特征流数据中分离出对应的变换深度特征，即可在云端动态的实现新增的机器分析任务。

6.一种电子设备，其特征在于，包括：

存储器以及一个或多个处理器；

其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如权利要求1或2所述的方法。

7.一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如权利要求1或2所述的方法。

说明书

一种多任务数字视网膜特征流的编码方法及解码方法

技术领域

[0001] 本发明涉及到视频编码的技术领域，尤其涉及到一种多任务数字视网膜特征流的编码方法及解码方法。

背景技术

[0002] 自从数字视网膜概念提出以来，在视频编解码、视频监控等领域引起了较大的关注。在传统的图像处理领域，视频压缩和视频分析分属不同的两个领域，数字视网膜技术受人类视网膜的生物学功能启发，率先提出了视频压缩、视频分析一体化的智能图像传感器。具体而言，数字视网膜的特点在于能够同时获得视频压缩数据和视频特征数据，并通过数据流传送至云端，便于后期的回放和各种机器分析任务。为了获取图像的特征流，数字视网膜技术引入了模型流的概念，也就是说图像采集前端可以根据需求应用不同的特征提取模型，这些模型可以通过云端存储和反向传输的方式发送到图像采集前端，其中一个模型可以被认为是一个任务。在国际标准方面，新型面向机器的视频编码项目也正在国际标准化组织中被提出， 该项目旨在弥合上述视频编码和视频分析，尤其是用于机器自动分析的深度特征压缩。

[0003] 在视频编码方面，基本的理念是通过计算压缩视频的时空冗余信息。视频压缩的基本范式在过去数十年来没有发生较大的改变，基于分块的视频压缩编解码技术发展得非常成熟，其具有计算复杂度适中、压缩率高、重建质量高等特点，因此在过去的数十年里得到了非常广泛的应用，目前主流的编解码技术包括H.264/H.265/H.266以及MPEG2/MPEG4等均主要以基于分块的视频编解码技术。从早期的视频编码开始，编码理论的范式就没有改变过，新一代的编码标准所采用的技术都是通过“计算换空间”的方法来提升压缩比率。例如从H.264到H.265的演进，压缩率提升了50%，但是同时也带来了更大的计算需求。这是由于使用了更灵活的编码单元，更灵活的参考帧使得基于运动补偿的压缩方法挖掘了更多的压缩潜力。整体上可以认为，基于分块的视频压缩技术从信号准确率（SignalFidelity）的目标出发，已经发展的非常成熟。因此，视频编码也可以被认为是一个面向像素重建的任务。

[0004] 如前所述，数字视网膜框架下的云端存储了多种对应于不同任务的模型。这些任务也可能是动态更新的，也就是随着用户需求的改变，云端可能更新任务库。然而，如果云端想通过视网膜前端设备执行面向新任务的特征，目前的方法是通过模型流更新前端的特征提取模型。这意味着旧的任务必须同时关闭。然而，这种只能支持单一任务的方法与实际需求相差较远。在实际的机器分析任务中，任务的发生可能不是实时的，因此某一特定机器分析任务需要根据存储的数据执行机器分析任务。一种直接的解决方法是，在新任务启动时，前端同时部署该任务对应的新特征提取模型，分别从视频数据中提取特征数据，并分别编码发送至云端。然而，这种方法显然是低效的，因为一个特征提取模型的计算量是不可忽视的，并且其生成的编码数据量也是庞大的。如果不断的增加新的模型，则意味着计算量和带宽需求快速超过可承受的极限。

发明内容

[0005] 本发明的目的在于提供一种多任务数字视网膜特征流的编码方法及解码方法解决现有只能支持单一任务、分析任务低效的问题。

[0006] 一种多任务数字视网膜特征流的编码方法，包括以下步骤：

[0007] 步骤A，构建一个用于多任务的BP神经网络；

[0008] 步骤B，在所述BP神经网络前端部署所述BP神经网络的低层网络作为特征提取网络；

[0009] 步骤C，基于所述特征提取网络提取的特征，训练一个变换网络；

[0010] 步骤D，在前端部署所述变换网络的低层网络，作为新增任务的特征提取网络；

[0011] 步骤E，获得特征数据，并将所述特征数据输入至所述新增任务特征提取网络，获得新增任务特征数据；

[0012] 步骤F，将所述特征数据和新增任务特征数据联合进行编码和/或传输。

[0013] 作为进一步的优选，所述BP神经网络至少包含一个用于视频重建的任务以及至少一个用于机器分析的任务。

[0014] 作为进一步的优选，所述步骤C包括：

[0015] 步骤C1，视频重建网络，完成对视频的重建，用于所述变换网络中某一层输出的深度特征；

[0016] 步骤C2，将输出新增机器的任务所需的输出。

[0017] 作为进一步的优选，所述新增任务包括获得所述网络的低层网络，并在所述视频前端部署所述低层网络。

[0018] 作为进一步的优选，所述步骤F包括：步骤F1，所述变换低层网络输出变换深度特征，所述特征与深度特征一起进行联合编码，并输出或存储在云端。

[0019] 作为进一步的优选，所述步骤F还包括：步骤F2，将所述深度特征独立编码，并对深度特征和变换深度特征的差值进行编码。

[0020] 作为进一步的优选，所述步骤F2具体为：

[0021] 步骤F21，对所述深度特征进行视频编码，获得所述深度特征的编码数据；

[0022] 步骤F22，对所述变换深度特征和深度特征的差值进行视频编码，获得差值的编码数据。

[0023] 一种多任务数字视网膜特征流的解码方法，包括上述的一种多任务数字视网膜特征流编码方法，还包括以下步骤：

[0024] 步骤a，对特征流数据进行解码，并从中分离出深度特征和变换深度特征；

[0025] 步骤b，将所述深度特征输入至此前部署的机器任务的高层网络，获得所述机器任务的目标数据；

[0026] 步骤c，将所述变换深度特征输入至所述高层网络，获得新部署的机器任务的目标数据。

[0027] 作为进一步的优选，所述步骤b中当获得所述机器任务的目标数据时，所述高层网络未发生任何改变。

[0028] 作为进一步的优选，所述步骤c包括只需要从特征流数据中分离出对应的变换深度特征，即可在云端动态的实现新增的机器分析任务。

[0029] 一种电子设备，包括：

[0030] 存储器以及一个或多个处理器；

[0031] 其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现以上任一项实施例所述的方法。

[0032] 一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现以上任一项实施例所述的方法。

[0033] 一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，可用来实现以上任一项实施例所述的方法。

[0034] 上述技术方案具有如下优点或有益效果：

[0035] 本发明这种多任务数字视网膜特征流的编码方法及解码方法经过差分编码后带来的额外存储比特需求非常小，未来新增的其他机器分析任务也可以在变换深度特征的基础之上继续使用差分编码的方式，这就使得每次新增机器分析任务都只需要带来额外少量的存储比特需求，实现了低成本升级的能力。无论数字视网膜系统需要新增多少机器分析任务，只需要从特征流数据中分离出对应的变换深度特征，即可在云端动态的实现新增的机器分析任务。

附图说明

[0036] 图1是本发明多任务数字视网膜特征流的编码方法的流程示意图；

[0037] 图2是本发明多任务数字视网膜特征流的解码方法的流程示意图。

具体实施方式

[0038] 为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

[0039] 前端设备同时具有视频压缩和用于视频特征提取的深度模型。由于后端可以通过传输的方法向前端部署不同的模型，因此可以理解前端设备拥有自适应获取任何深度模型的能力。因此，只要在离线的情况下训练一个具有特殊特征提取能力的模型，都可以通过模型流部署到前端设备处。在云端，特征流的主要目的在于进行各种机器分析任务，例如图像分类、目标检测等。更深入的讲，特征流表示的用于机器分析任务的特征数据，并没有展示其数据的特征和压缩策略。具体而言，有两种不同的策略均能提供用于机器分析任务的特征流数据：

[0040] A：特征流数据仍然沿用基于分块的图像编码方法，但是解码端重建的信号不再是以人眼观看为目的，而是以提升机器分析任务性能为目的，这种方法本质上仍然是基于信号准确的方法，此时，特征流本质上仍然是视频数据，只是经过处理后的数据，并可能与视频流的数据存在差异；

[0041] B：特征流数据是压缩后的机器分析任务的深度特征，一般是由深度神经网络处理后的特征图数据，压缩后的特征图数据能够在云端直接用于各种机器分析任务。

[0042] 不同机器分析任务的特征之间存在依赖关系。也就是说，一个机器分析任务提取的特征数据可以用于另外一个不同的机器分析任务，例如表面法线可以用于深度检测。然而，这种不同机器分析任务之间的依赖关系并不总是存在的。如果部署的特征提取网络提取的特征不能用于新增任务，则意味着要重新训练整个网络，并带来兼容性问题。

[0043] 现有的研究结果显示，不同机器分析任务的特征之间存在依赖关系。也就是说，一个机器分析任务提取的特征数据可以用于另外一个不同的机器分析任务，例如表面法线可以用于深度检测。然而，这种不同机器分析任务之间的依赖关系并不总是存在的。如果部署的特征提取网络提取的特征不能用于新增任务，则意味着要重新训练整个网络，并带来兼容性问题。

[0044] 结合图1所示，一种多任务数字视网膜特征流的编码方法，包括以下步骤：

[0045] 构建一个用于多任务的BP神经网络；

[0046] 在所述BP神经网络前端部署所述BP神经网络的低层网络作为特征提取网络；

[0047] 基于所述特征提取网络提取的特征，训练一个变换网络；

[0048] 在前端部署所述变换网络的低层网络，作为新增任务的特征提取网络；

[0049] 获得特征数据，并将所述特征数据输入至所述新增任务特征提取网络，获得新增任务特征数据；

[0050] 将所述特征数据和新增任务特征数据联合进行编码和/或传输。

[0051] 训练一个用于多任务的深度神经网络，其中至少包含一个用于视频重建的任务，以及至少一个用于机器分析的任务。在视频前端部署所述网络的低层网络作为特征提取网络。在获得新的任务时，基于所述特征提取网络提取的特征，训练一个变换网络，该变换网络用于从上述特征提取网络提取的特征数据中生成所述新的任务的目标数据。在视频前端部署所述变换网络的低层网络，作为新增任务特征提取网络。前端设备获得视频数据，通过上述特征提取网络获得特征数据，并将特征数据输入至新增任务特征提取网络，获得新增任务特征。将特征数据和新增任务特征数据联合编码后进行传输或存储。

[0052] 进一步地，本发明一种多任务数字视网膜特征流编码方法的较佳的实施例中，所述BP神经网络至少包含一个用于视频重建的任务以及至少一个用于机器分析的任务。

[0053] 在任务设置过程中，至少将视频重建作为一个任务放入训练过程中。此外，其他机器分析任务作为已知多任务的目标放入联合训练的过程中。

[0054] 进一步地，本发明一种多任务数字视网膜特征流编码方法的较佳的实施例中，所述步骤C包括：

[0055] 步骤C1，视频重建网络，完成对视频的重建，用于所述变换网络中某一层输出的深度特征；

[0056] 步骤C2，将输出所述新增机器的任务所需的输出。

[0057] 在云端获得新任务时，基于已经部署的特征提取网络作为固化的网络，训练一个变换网络，该变换网络以深度特征为输入，并以新增任务的目标数据为输出，变换网络将提取的深度特征变换成新的机器分析任务所需的输出。

[0058] 低层网络的训练过程，其中一个任务是图像重建，深度特征中已经包含了能够重建图像所有像素的深度特征。因此，所述的变换网络可以通过使用两个独立的网络来实现，其中一个网络用于重建原始图像，而其后续的网络用于新的机器分析任务。变换网络包括视频重建网络，该网络能够完成对视频的重建，因为该网络是第一个高层网络。重建视频可以被视做变换网络中某一层输出的深度特征。进一步，变换网络在该深度特征的基础之上，级连一个机器分析任务的深度网络。该网络用于新增的机器分析任务。变换网络将最终输出新增的机器分析任务所需的输出。变换网络用于展示通过本发明的方法能够保障深度特征总是能够提供新增机器分析任务所依赖的深度特征。深度神经网络能够直接从深度特征中提取新增机器分析任务所需要的输出。

[0059] 进一步地，本发明一种多任务数字视网膜特征流编码方法的较佳的实施例中，所述新增任务包括获得所述网络的低层网络，并在所述视频前端部署所述低层网络。

[0060] 在获得用于新增机器分析任务的变换网络后，获得该网络的低层网络，并在视频前端部署该低层网络。视频前端相当于新增部署了一个独立的网络，而原始的特征提取网络由于是固化的，因此没有发生任何改变。进一步，变换低层网络输出了变换深度特征，该特征与深度特征一起进行联合编码，并输出或存储在云端。在该框架下，任何新增的网络都可以通过在前端新增一个独立的变换低层网络并在编码数据流中增加对应的变换深度特征完成。

[0061] 进一步地，本发明一种多任务数字视网膜特征流编码方法的较佳的实施例中，所述步骤F包括：步骤F1，所述变换低层网络输出变换深度特征，所述特征与深度特征一起进行联合编码，并输出或存储在云端。

[0062] 变换低层网络输出的变换深度特征和深度特征具有相同的尺寸。此时，联合编码可以通过差分编码的方式进行。也就是将深度特征独立编码，并对深度特征和变换深度特征的差值进行编码。

[0063] 本发明另一种实施例中，所述步骤F还包括：步骤F2，将所述深度特征独立编码，并对所述深度特征和变换深度特征的差值进行编码。

[0064] 进一步地，本发明一种多任务数字视网膜特征流编码方法的较佳的实施例中，所述步骤F2具体为：

[0065] 步骤F21，对所述深度特征进行视频编码，获得所述深度特征的编码数据；

[0066] 步骤F22，对所述变换深度特征和深度特征的差值进行视频编码，获得差值的编码数据。

[0067] 对深度特征使用现有的视频编码方法，获得深度特征的编码数据；对变换深度特征和深度特征的差值进行视频编码，获得差值的编码数据。通过复用器，用于新增机器分析任务的数据被嵌入到前端设备生成的数据流中。如果新增其他任务，前端设备只需要再增加对应的差值编码数据即可。

[0068] 在这种框架下，变换深度特征可能与深度特征之间的差异较小，因此经过差分编码后带来的额外存储比特需求非常小。并且，未来新增的其他机器分析任务也可以在变换深度特征的基础之上继续使用差分编码的方式。这就使得每次新增机器分析任务都只需要带来额外少量的存储比特需求。实现了低成本升级的能力。

[0069] 一个机器分析任务中的低层网络处理原始图像，并获得深度特征图，深度特征图经过编码后进行传输或存储，在执行机器分析任务时，特征流数据进行解码，并输入至机器分析任务的高层网络，输出结果。其中，多个机器分析任务的网络还可以共用相同的深度特征图数据。

[0070] 其中视频前端通过特征提取网络从原始视频中提取出了深度特征图。经过特征编码、传输活存储、特征流解码后，获得深度特征图。深度特征图可以用于不同的机器分析任务。由于任务不同，例如机器分析任务可以是分类器，也可以是目标检测，因此高层网络的参数也不同。

[0071] 低层网络和高层网络是在部署前通过预训练完成的。也就是低层网络提取的特征能同时满足多个机器分析任务，训练过程可以使用不同的策略来满足的多个机器分析任务，例如使用联合训练的方式实现。从另外一个角度来将，低层网络提取的深度特征是可以被多个任务分享的。总之，低层网络部署之后，只需要传输或存储每一图像帧对应的深度特征，在未来任何时刻都可以通过不同的高层网络完成对应的机器分析任务。

[0072] 训练一个特征提取网络，在任务设置过程中，将视频重建作为一个任务放入训练过程中，此外，其他机器分析任务作为已知多任务的目标放入联合训练的过程中。低层网络的训练过程，其中一个任务是图像重建，也就是说深度特征中已经包含了能够重建图像所有像素的深度特征，因此，所述的变换网络总是可以通过使用两个独立的网络来实现，其中一个网络用于重建原始图像，而其后续的网络用于新的机器分析任务；

[0073] 在云端获得新任务时，基于已经部署的特征提取网络作为固化的网络，训练一个变换网络，该变换网络以深度特征为输入，并以新增任务的目标数据为输出，变换网络将提取的深度特征变换成新的机器分析任务所需的输出；

[0074] 在获得用于新增机器分析任务的变换网络后，获得该网络的低层网络，并在视频前端部署该低层网络，视频前端相当于新增部署了一个独立的网络，而原始的特征提取网络由于是固化的，因此没有发生任何改变。

[0075] 结合图2所示，本发明一种多任务数字视网膜特征流的解码方法，包括上述的一种多任务数字视网膜特征流编码方法，还包括以下步骤：

[0076] 步骤a，对特征流数据进行解码，并从中分离出深度特征和变换深度特征；

[0077] 步骤b，将所述深度特征输入至此前部署的机器任务的高层网络，获得所述机器任务的目标数据；

[0078] 步骤c，将所述变换深度特征输入至所述高层网络，获得新部署的机器任务的目标数据。

[0079] 进一步地，本发明一种多任务数字视网膜特征流的解码方法的较佳的实施例中，所述步骤b中当获得所述机器任务的目标数据时，所述高层网络未发生任何改变。

[0080] 进一步地，本发明一种多任务数字视网膜特征流的解码方法的较佳的实施例中，所述步骤c包括只需要从特征流数据中分离出对应的变换深度特征，即可在云端动态的实现新增的机器分析任务。

[0081] 在数字视网膜的云端，解码器的工作流程：首先对特征流数据进行解码，并从中分离出深度特征和变换深度特征。进一步，将深度特征输入至此前部署的机器分析任务的高层网络，并获得机器任务的目标数据。注意此时机器任务的高层网络没有发生任何改变。同时，解码器将变换深度特征输入至变换高层网络，获得新部署的机器分析任务的目标数据。也就是说，无论数字视网膜系统需要新增多少机器分析任务，只需要从特征流数据中分离出对应的变换深度特征，即可在云端动态的实现新增的机器分析任务。

[0082] 一种电子设备，包括：

[0083] 存储器以及一个或多个处理器；

[0084] 其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如以上任一项所述的方法。

[0085] 具体地，处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。处理器可以为中央处理器（Central Processing Unit，CPU）。处理器还可以为其他通用处理器、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（Field‑Programmable 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、分立硬件组件等芯片，或者上述各类芯片的组合。

[0086] 存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的级联渐进网络等。处理器通过运行存储在存储器中的非暂态软件程序/指令以及功能模块，从而执行处理器的各种功能应用以及数据处理。

[0087] 存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络（比如通过通信接口）连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0088] 一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如以上任一项所述的方法。

[0089] 前述的计算机可读取存储介质包括以存储如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方式或技术来实现的物理易失性和非易失性、可移动和不可移动介质。计算机可读取存储介质具体包括，但不限于，U盘、移动硬盘、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、可擦除可编程只读存储器（EPROM）、电可擦可编程只读存储器（EEPROM）、闪存或其他固态存储器技术、CD‑ROM、数字多功能盘（DVD）、HD‑DVD、蓝光（Blue‑Ray）或其他光存储设备、磁带、磁盘存储或其他磁性存储设备、或能用于存储所需信息且可以由计算机访问的任何其他介质。

[0090] 尽管此处所述的主题是在结合操作系统和应用程序在计算机系统上的执行而执行的一般上下文中提供的，但本领域技术人员可以认识到，还可结合其他类型的程序模块来执行其他实现。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解，此处所述的本主题可以使用其他计算机系统配置来实践，包括手持式设备、多处理器系统、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等，也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中，程序模块可位于本地和远程存储器存储设备的两者中。

[0091] 本领域普通技术人员可以意识到，结合本文中所本申请的实施例描述的各示例的单元及方法步骤，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。

[0092] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对原有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。

[0093] 综上所述，本发明这种多任务数字视网膜特征流的编码方法及解码方法经过差分编码后带来的额外存储比特需求非常小，未来新增的其他机器分析任务也可以在变换深度特征的基础之上继续使用差分编码的方式，这就使得每次新增机器分析任务都只需要带来额外少量的存储比特需求，实现了低成本升级的能力。无论数字视网膜系统需要新增多少机器分析任务，只需要从特征流数据中分离出对应的变换深度特征，即可在云端动态的实现新增的机器分析任务。

[0094] 以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

[0095] 在本发明的描述中，需要理解的是，术语“上”、“下”、“前”“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。