场景分类方法、装置及电子设备
技术领域
本公开涉及数据处理技术领域,尤其涉及一种场景分类方法、装置及电子设备。
背景技术
场景识别或者场景分类作为理解领域的一项基本任务已经应用到众多领域。场景的分类就是按照人类的思维方式来模拟场景的视觉感知,用来区分各类目标场景。人类视觉感知场景和机器视觉在语义上具有相似性,场景中的语义信息既包含了生物视觉的先验信息,又对环境上下文进行阐述,这种语义上的理解对以后的场景理解和感知提供了理论依据。
场景分类对应于模式识别中的分类问题,是一种典型的监督学习方法,监督学习就是将一部分样本给定一个类别标签,通过机器学习的方法来完成目标任务,可以将分类样本分为两部分:训练部分和测试部分。一般来讲训练部分需要较多的样本,每个数据都包含表示部分和标签,表示部分表示图像的特征。
现有技术中在针对图像进行场景分类时,通常由于训练样本中不同类别的样本数目数量存在差异而导致预测的准确度不高,从而影响了场景分类计算的准确度。
发明内容
有鉴于此,本公开实施例提供一种场景分类方法、装置及电子设备,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种场景分类方法,包括:
对获取到的包含不同场景的多个图像分别设置类型值;
对所述多个图像中的每个图像的分类进行预测,得到每个图像的分类预测值;
基于每个图像的类型值和分类预测值,构建最小化目标函数,所述最小化目标函数用于确定不同分类场景的权重值;
基于包含不同分类场景权重值的计算函数,对新输入的图像进行分类预测。
根据本公开实施例的一种具体实现方式,所述对获取到的包含不同场景的多个图像分别设置类型值,包括:
收集包含各种场景的待分类图像;
判断所述待分类图像中是否为非指定场景的图像;
若是,则将所述待分类图像类型值设为负数。
根据本公开实施例的一种具体实现方式,所述对获取到的包含不同场景的多个图像分别设置类型值,包括:
采用x和y分别来表示获取到的包含不同场景的多个图像及其类型值,其中,第i个图像及其类型值用(xi,yi)表示。
根据本公开实施例的一种具体实现方式,所述对所述多个图像中的每个图像的分类进行预测,包括:
设置对图像进行分类预测的神经网络模型g,所述神经网络模型g包括卷积层、池化层和采样层;
利用所述神经网络模型g产生第i个图像的分类预测值g(xi)。
根据本公开实施例的一种具体实现方式,所述利用所述神经网络模型g产生第i个图像的分类预测值g(xi),包括:
设置所述神经网络模型g中卷积层和采样层的数目分别大于2个,在所述卷积层之后,采用最大池化的方式对第i个图像进行池化处理。
根据本公开实施例的一种具体实现方式,所述基于每个图像的类型值和分类预测值,构建最小化目标函数,包括
针对第i个图像xi的类型值yi及第i个图像的预测值g(xi),构建最小化目标函数f(x,y)=wi*||g(xi)-yi||^2,其中wi第i个图像所在分类场景的权重值。
根据本公开实施例的一种具体实现方式,所述基于每个图像的类型值和分类预测值,构建最小化目标函数之后,所述方法还包括:
利用所述最小化目标函数对神经网络模型g进行多次迭代,求取所述最小化目标函数的最小值。
根据本公开实施例的一种具体实现方式,所述求取所述最小化目标函数的最小值,包括:
设置针对所述最小化目标函数的迭代周期;
在对所述神经网络模型g完成迭代周期的计算之后,判断图像类型值设为负数的图像类别的预测精确度是否大于其他类型的图像类别的预测精确度;
若是,则降低图像类型值设为负数的图像类别的权重值。
根据本公开实施例的一种具体实现方式,基于包含不同分类场景权重值的计算函数,对新输入的图像进行分类预测,包括:
获取包含不同分类场景权重值的权重向量、以及所述计算函数针对新输入图像在不同分类上的计算概率向量;
将所述权重向量与所述计算概率向量的内积作为对新输入的图像的分类预测结果。
第二方面,本公开实施例提供了一种场景分类装置,包括:
设置模块,用于对获取到的包含不同场景的多个图像分别设置类型值;
预测模块,用于对所述多个图像中的每个图像的分类进行预测,得到每个图像的分类预测值;
构建模块,用于基于每个图像的类型值和分类预测值,构建最小化目标函数,所述最小化目标函数用于确定不同分类场景的权重值;
执行模块,用于基于包含不同分类场景权重值的计算函数,对新输入的图像进行分类预测。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的场景分类方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的场景分类方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的场景分类方法。
本公开实施例中的场景分类方案,包括对获取到的包含不同场景的多个图像分别设置类型值;对所述多个图像中的每个图像的分类进行预测,得到每个图像的分类预测值;基于每个图像的类型值和分类预测值,构建最小化目标函数,所述最小化目标函数用于确定不同分类场景的权重值;基于包含不同分类场景权重值的计算函数,对新输入的图像进行分类预测。通过本公开的处理方案,提高了图像分类的准确性。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例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公开的一些实施例,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它的附图。
图1为本公开实施例提供的一种场景分类流程示意图;
图2为本公开实施例提供的一种神经网络模型示意图;
图3为本公开实施例提供的另一种场景分类流程示意图;
图4为本公开实施例提供的另一种场景分类流程示意图;
图5为本公开实施例提供的场景分类装置结构示意图;
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种场景分类方法。本实施例提供的场景分类方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,本公开实施例提供的一种场景分类方法,包括如下步骤:
S101,对获取到的包含不同场景的多个图像分别设置类型值。
基于图片中的内容,可以将图片分为不同的场景,例如,自然景观类、人物类、动物类等。通过对图片进行分类,可以基于图片所在的分类对图片执行针对性的处理,例如,当检测到图片的场景类型为人物类时,可以给图片增加美颜效果提示,使得图片达到更好的视觉效果。
为了能够对图像进行自动分类,需要建立场景分类模型,通过分类模型对图片进行分类。分类模型需要训练样本对分类模型进行训练,为此,需要收集包含各种场景的图像数据,并给每张图像数据打上类型值(即标签信息)。例如,自然景观类图片的类型值为0001,人物类图片的类型值为0010、动物类图片的类型值为0100等。作为一种情况,图片中存在非指定场景的图像,对于该类图像将其标记为负类,其类型值标记为负数。负类图像较多会导致训练样本数目不平衡、进而导致训练不稳定,并使得最终的预测结果偏向负类。
在数据处理的过程中,每张图像用x表示,图像对应的标签用y表示,标签类别信息的下标为i.即每张图像及其标签可以通过(xi,yi)表示。
S102,对所述多个图像中的每个图像的分类进行预测,得到每个图像的分类预测值。
为了能够对多个图像中的每个图像的分类进行预测,构建神经网络模型g,参见图2,神经网络模型g包括卷积层、池化层、采样层和全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接,采样层用来求输入图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快神经网络模型g的训练速度,在卷积层后面还设置有池化层,池化层采用最大池化的方式对卷积层的输出结果进行处理,能够更好的提取输入图像的不变性特征。
全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合,获取输入图像特征具有的分类特征,以用于图像分类。在神经网络模型g中,全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息,该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以计算输入图像具体所属类别数值(所属类别概率),将最有可能的类别输出即可完成分类任务。例如,通过全连接层的计算之后,可以将输入图像分类为包含[动物,风景,人物,植物]类别的结果,其对应的概率分别是[P1,P2,P3,P4]。
S103,基于每个图像的类型值和分类预测值,构建最小化目标函数,所述最小化目标函数用于确定不同分类场景的权重值。
在构建完成神经网络模型g之后,对于任意输入的图像xi,便可以得到分类预测结果g(xi),通过比较g(xi)和yi之间的差值,便可以对神经网络模型g的精确度进行评估。
具体的,可以在所有训练样本上,构建最小化目标函数f(x,y)=wi*||g(xi)-yi||^2来进行神经网络模型g的训练,wi为第i个图像所在分类的权重值。训练过程需要多次迭代求取目标函数的最小值。每经过若干个(例如,10个)迭代周期,当其他类别信息的预测精度低于负类精度若干个(例如,10个)百分点时,对负类的权重降低若干比值(例如,10%)。重复迭代直到测试精度趋于稳定。测试精度指在另外一份不参与模型训练的图像数据中测试的模型精度。
S104,基于包含不同分类场景权重值的计算函数,对新输入的图像进行分类预测。
完成包含不同分类场景的权重值计算之后,便可以基于最终的不同分类的权重值构建针对神经网络模型g的加权损失函数(计算函数),通过该加权损失函数对新输入的图像进行分类计算和预测。
步骤S101-S104的方案中,通过设计特定结构的神经网络模型g,并采用最小化目标函数对不同分类的权重值进行评估和计算,克服了不同类别的采样数据不均衡导致的评估结果不稳定的缺陷,提高了神经网络模型g对输入图像评估的准确度。
在步骤S101实现的过程中,参见图3,根据本公开实施例的一种具体实现方式,对获取到的包含不同场景的多个图像分别设置类型值,可以包括如下步骤:
S301,收集包含各种场景的待分类图像。
在对神经网络模型g进行训练之前,需要设置训练样本,训练样本中的图像包含了不同的场景分类,通过设置包含不同场景的图像,能够形成待分类图像。
S302,判断所述待分类图像中是否为非指定场景的图像。
图片中存在非指定场景的图像,负类图像较多会导致训练样本数目不平衡、进而导致训练不稳定,并使得最终的预测结果偏向负类,为此,需要判断训练集中的待分类图像中是否存在非指定场景的图像。
S303,若是,则将所述待分类图像类型值设为负数。
对于该类非指定场景的图像,将其标记为负类,其类型值标记为负数。
可以采用多种方式对获取到的包含不同场景的多个图像分别设置类型值,例如,可以采用x和y分别来表示获取到的包含不同场景的多个图像及其类型值,其中,第i个图像及其类型值用(xi,yi)表示。
在对所述多个图像中的每个图像的分类进行预测时,可以先设置对图像进行分类预测的神经网络模型g,利用所述神经网络模型g产生第i个图像的分类预测值g(xi),通过比较g(xi)与yi的差值,可以对神经网络模型g的评估准确性进行评估。
为了保证神经网络模型g预测的准确性,对神经网络模型g的网络结构进行针对性的设置,具体的,利用所述神经网络模型g产生第i个图像的分类预测值g(xi)的过程中,设置所述神经网络模型g中卷积层和采样层的数目分别大于2个,在所述卷积层之后,采用最大池化的方式对第i个图像进行池化处理。通过对神经网络模型g进行这种具体的设置,提高了神经网络模型g的鲁棒性和训练精度。
参见图4,根据本公开实施例的一种具体实现方式,所述求取所述最小化目标函数的最小值,包括:
S401,设置针对所述最小化目标函数的迭代周期。
S402,在对所述神经网络模型g完成迭代周期的计算之后,判断图像类型值设为负数的图像类别的预测精确度是否大于其他类型的图像类别的预测精确度。
S403,若是,则降低图像类型值设为负数的图像类别的权重值。
完成包含不同分类场景的权重值计算之后,便可以基于最终的不同分类的权重值构建针对神经网络模型g的加权损失函数(计算函数),通过该加权损失函数对新输入的图像进行分类计算和预测,基于包含不同分类场景权重值的计算函数,对新输入的图像进行分类预测时,可以先获取包含不同分类场景权重值的权重向量、以及所述计算函数针对新输入图像在不同分类上的计算概率向量,将所述权重向量与所述计算概率向量的内积作为对新输入的图像的分类预测结果。通过权重向量与计算概率向量进行内积计算的方式,克服了样本量较多的分类对于分类结果的干扰,提高了图片分类预测的准确度。
与上面的方法实施例相对应,参见图5,本发明实施例还提供了一种场景分类装置50,包括:
设置模块501,用于对获取到的包含不同场景的多个图像分别设置类型值。
基于图片中的内容,可以将图片分为不同的场景,例如,自然景观类、人物类、动物类等。通过对图片进行分类,可以基于图片所在的分类对图片执行针对性的处理,例如,当检测到图片的场景类型为人物类时,可以给图片增加美颜效果提示,使得图片达到更好的视觉效果。
为了能够对图像进行自动分类,需要建立场景分类模型,通过分类模型对图片进行分类。分类模型需要训练样本对分类模型进行训练,为此,需要收集包含各种场景的图像数据,并给每张图像数据打上类型值(即标签信息)。例如,自然景观类图片的类型值为0001,人物类图片的类型值为0010、动物类图片的类型值为0100等。作为一种情况,图片中存在非指定场景的图像,对于该类图像将其标记为负类,其类型值标记为负数。负类图像较多会导致训练样本数目不平衡、进而导致训练不稳定,并使得最终的预测结果偏向负类。
在数据处理的过程中,每张图像用x表示,图像对应的标签用y表示,标签类别信息的下标为i.即每张图像及其标签可以通过(xi,yi)表示。
预测模块502,用于对所述多个图像中的每个图像的分类进行预测,得到每个图像的分类预测值。
为了能够对多个图像中的每个图像的分类进行预测,构建神经网络模型g,参见图2,神经网络模型g包括卷积层、池化层、采样层和全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的每个特征提取层后面都可以与一个采样层连接,采样层用来求输入图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入图像具有较好的鲁棒性。
为了加快神经网络模型g的训练速度,在卷积层后面还设置有池化层,池化层采用最大池化的方式对卷积层的输出结果进行处理,能够更好的提取输入图像的不变性特征。
全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合,获取输入图像特征具有的分类特征,以用于图像分类。在神经网络模型g中,全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息,该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以计算输入图像具体所属类别数值(所属类别概率),将最有可能的类别输出即可完成分类任务。例如,通过全连接层的计算之后,可以将输入图像分类为包含[动物,风景,人物,植物]类别的结果,其对应的概率分别是[P1,P2,P3,P4]。
构建模块503,用于基于每个图像的类型值和分类预测值,构建最小化目标函数,所述最小化目标函数用于确定不同分类场景的权重值。
在构建完成神经网络模型g之后,对于任意输入的图像xi,便可以得到分类预测结果g(xi),通过比较g(xi)和yi之间的差值,便可以对神经网络模型g的精确度进行评估。
具体的,可以在所有训练样本上,构建最小化目标函数f(x,y)=wi*||g(xi)-yi||^2来进行神经网络模型g的训练,wi为第i个图像所在分类的权重值。训练过程需要多次迭代求取目标函数的最小值。每经过若干个(例如,10个)迭代周期,当其他类别信息的预测精度低于负类精度若干个(例如,10个)百分点时,对负类的权重降低若干比值(例如,10%)。重复迭代直到测试精度趋于稳定。测试精度指在另外一份不参与模型训练的图像数据中测试的模型精度。
执行模块504,用于基于包含不同分类场景权重值的计算函数,对新输入的图像进行分类预测。
完成包含不同分类场景的权重值计算之后,便可以基于最终的不同分类的权重值构建针对神经网络模型g的加权损失函数(计算函数),通过该加权损失函数对新输入的图像进行分类计算和预测。
图5所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中场景分类方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的场景分类方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。