服装识别方法、计算机设备和存储介质
技术领域
本申请涉及服装设计技术领域,特别是涉及一种服装识别方法、装置、计算机设备和存储介质。
背景技术
服装指的是衣服鞋包玩具饰品等的总称,多指衣服。服装是人们日常生活中的必需品,随着物质生活水平的不断提高,人们对于服装设计的需求也增多。通常人们往往倾向于购买当下流行的服装,如何设计出符合当下流行的服装对服装设计者来说是一个难题,目前尚无有效的解决方法。
发明内容
基于此,有必要针对上述技术问题,提供一种服装识别方法、装置、计算机设备和存储介质。
一种服装识别方法,所述方法包括:
获取待识别服装的图片;
对所述待识别服装的图片进行识别,获得所述待识别服装的分类信息和颜色信息,根据所述分类信息和所述颜色信息,获得所述待识别服装的时尚潮流度;
将所述分类信息、所述颜色信息和所述时尚潮流度组合,确定为所述待识别服装的设计特征信息。
在其中一个实施例中,对所述待识别服装的图片进行识别,获得所述待识别服装的分类信息和颜色信息,根据所述分类信息和所述颜色信息,获得所述待识别服装的时尚潮流度,包括:
采用训练好的分类识别模型,对所述图片进行识别,获得所述待识别服装的分类信息;
采用训练好的颜色识别模型,对所述图片进行识别,获得所述待识别服装的颜色信息;
采用训练好的时尚标签识别模型,对所述分类信息和所述颜色信息进行识别,获得所述待识别服装的时尚潮流度。
在其中一个实施例中,训练获得所述训练好的分类识别模型的方法包括:
获取第一样本数据,所述第一样本数据包括待训练服装的图片及其对应的分类信息标签;
采用待训练分类识别模型,对所述第一样本数据进行训练,根据训练结果与所述分类信息标签的差异,调整所述待训练分类识别模型的参数,直至满足训练结束条件,获得训练好的分类识别模型。
在其中一个实施例中,训练获得所述训练好的颜色识别模型的方法包括:
获取第二样本数据,所述第二样本数据包括待训练服装的图片及其对应的颜色信息标签;
采用待训练颜色识别模型,对所述第二样本数据进行训练,根据训练结果与所述颜色信息标签的差异,调整所述待训练颜色识别模型的参数,直至满足训练结束条件,获得训练好的颜色识别模型。
在其中一个实施例中,训练获得所述训练好的时尚标签识别模型的方法包括:
获取第三样本数据,所述第三样本数据包括待训练服装的时尚因素及其对应的时尚潮流度标签,所述时尚因素包括分类信息和颜色信息;
采用待训练时尚标签识别模型,对所述第三样本数据进行训练,根据训练结果与所述时尚潮流度标签的差异,调整所述待训练时尚标签识别模型的参数,直至满足训练结束条件,获得训练好的时尚标签识别模型。
在其中一个实施例中,从所述待训练服装的图片或设计档案信息中提取分类信息,获得所述待训练服装对应的分类信息标签。
在其中一个实施例中,从所述待训练服装的图片或设计档案信息中提取颜色信息,获得所述待训练服装对应的颜色信息标签。
在其中一个实施例中,从所述待训练服装的图片或设计档案信息中提取时尚因素,根据所述时尚因素对应的服装销售量占比,获得所述待训练服装对应的时尚潮流度标签,所述时尚因素包括分类信息和颜色信息。
在其中一个实施例中,还包括:根据所述待识别服装的设计特征信息,对所述待识别服装进行销售预测,获得所述待识别服装的销售预测结果。
在其中一个实施例中,根据所述待识别服装的设计特征信息,对所述待识别服装进行销售预测,获得所述待识别服装的销售预测结果,包括:
采用训练好的视觉畅销模型,根据所述待识别服装的设计特征信息,对所述待识别服装进行销售预测,获得所述待识别服装的销售预测结果。
在其中一个实施例中,训练获得所述训练好的视觉畅销模型的方法包括:
获取第四样本数据,所述第四样本数据包括待训练服装的设计特征信息及其对应的销量标签;
采用待训练视觉畅销模型,对所述第四样本数据进行训练,根据训练结果与所述销量标签的差异,调整所述待训练视觉畅销模型的参数,直至满足训练结束条件,获得训练好的视觉畅销模型。
在其中一个实施例中,还包括:
根据所述待识别服装的销售预测结果,生成推荐服装设计信息;
将所述推荐服装设计信息按照推荐等级由高到低的顺序进行排序。
一种服装识别装置,所述装置包括:
获取模块,用于获取待识别服装的图片;
识别模块,用于对所述待识别服装的图片进行识别,获得所述待识别服装的分类信息和颜色信息,根据所述分类信息和所述颜色信息,获得所述待识别服装的时尚潮流度;
确定模块,用于将所述分类信息、所述颜色信息和所述时尚潮流度组合,确定为所述待识别服装的设计特征信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待识别服装的图片;
对所述待识别服装的图片进行识别,获得所述待识别服装的分类信息和颜色信息,根据所述分类信息和所述颜色信息,获得所述待识别服装的时尚潮流度;
将所述分类信息、所述颜色信息和所述时尚潮流度组合,确定为所述待识别服装的设计特征信息。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待识别服装的图片;
对所述待识别服装的图片进行识别,获得所述待识别服装的分类信息和颜色信息,根据所述分类信息和所述颜色信息,获得所述待识别服装的时尚潮流度;
将所述分类信息、所述颜色信息和所述时尚潮流度组合,确定为所述待识别服装的设计特征信息。
上述服装识别方法、装置、计算机设备和存储介质,通过对待识别服装的图片进行识别,获得待识别服装的分类信息、颜色信息和时尚潮流度,通过整合这些识别到的多维度信息,获得待识别服装的设计特征信息,根据设计特征信息,可以预先考察其是否贴合当前的时尚潮流,从而方便快捷地实现对服装设计的价值预判,为如何设计出更符合当下流行的服装提供依据。
附图说明
图1为一个实施例中服装识别方法的流程示意图;
图2为一个实施例中对待识别服装的图片进行识别步骤的流程示意图;
图3为一个实施例中分类识别模型训练方法的流程示意图;
图4为一个实施例中颜色识别模型训练方法的流程示意图;
图5为一个实施例中时尚标签识别模型训练方法的流程示意图;
图6为一个实施例中服装识别方法的流程示意图;
图7为一个实施例中视觉畅销模型训练方法的流程示意图;
图8为一个实施例中服装识别装置的结构框图;
图9为一个实施例中服装识别装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种服装识别方法,包括以下步骤S102至步骤S106。
S102,获取待识别服装的图片。
其中,图片包含了待识别服装的基本特征,例如轮廓、色彩、线条走向等。
S104,对所述待识别服装的图片进行识别,获得所述待识别服装的分类信息和颜色信息,根据所述分类信息和所述颜色信息,获得所述待识别服装的时尚潮流度。
其中,分类信息可以包括款式、尺寸、材质或透光性等信息,例如“鱼尾裙”。颜色信息可以是颜色配比,例如“70%天蓝色,30%米白色”。时尚潮流度可以是通过对分类信息和颜色信息进行综合考量后获得的时尚指数,例如,假设通过大数据获得最近的裙子数据中80%的款式是“鱼尾裙”,那么“鱼尾裙”对应的时尚指数可以设为80,通常时尚指数的值越大,表示越贴合当前的时尚潮流。
S106,将所述分类信息、所述颜色信息和所述时尚潮流度组合,确定为所述待识别服装的设计特征信息。
获得待识别服装的分类信息、颜色信息和时尚潮流度后,将分类信息、颜色信息和时尚潮流度组合起来,作为待识别服装的设计特征信息,例如一件服装的设计特征信息可以是:款式为“鱼尾裙”,尺寸为“长款”,颜色配比为“70%天蓝色,30%米白色”,时尚潮流度为“80”。
上述服装识别方法中,通过对待识别服装的图片进行识别,获得待识别服装的分类信息、颜色信息和时尚潮流度,通过整合这些识别到的多维度信息,获得待识别服装的设计特征信息,根据设计特征信息,可以预先考察其是否贴合当前的时尚潮流,从而方便快捷地实现对服装设计的价值预判,为如何设计出更符合当下流行的服装提供依据。
在一个实施例中,如图2所示,步骤S104可以包括以下步骤S1041至步骤S1043。
S1041,采用训练好的分类识别模型,对所述图片进行识别,获得所述待识别服装的分类信息。
在一个实施例中,如图3所示,训练获得所述训练好的分类识别模型的方法包括以下步骤S302至步骤S304。
S302,获取第一样本数据,所述第一样本数据包括待训练服装的图片及其对应的分类信息标签。
其中,待训练服装为通过大数据预先调查过分类特征、颜色特征和时尚潮流度的多套服装,对多套待训练服装进行拍摄获得多张图片,能够更加全面地对分类特征、颜色特征和时尚潮流度进行综合考量。待训练服装的套数需要考虑后续训练计算的繁杂因素,具体实施时可根据情况进行灵活设定。
在一个实施例中,待训练服装的分类信息标签的获取方式如下:对待训练服装的版样或实体进行拍摄,获得待训练服装的图片,从图片中提取服装设计的图片要素,通常提取的图片要素可以有多个,并且各个要素之间是不同的,以从不同的方面来对服装设计进行考量,然后根据提取到的图片要素中的分类特征,得到分类信息标签。
在一个实施例中,待训练服装的分类信息标签的获取方式如下:查找待训练服装的设计档案信息,从设计档案信息中提取档案要素,通常提取的档案要素可以有多个,并且各个要素之间是不同的,以从不同的方面来对服装设计进行考量,然后根据提取到的档案要素中的分类特征,得到分类信息标签。
S304,采用待训练分类识别模型,对所述第一样本数据进行训练,根据训练结果与所述分类信息标签的差异,调整所述待训练分类识别模型的参数,直至满足训练结束条件,获得训练好的分类识别模型。
其中,分类识别模型可以采用现有的分类模型结构,训练结束条件可以是达到预设迭代次数,也可以是损失函数值达到最小。分类识别模型训练好之后,输入待识别服装的图片,即可快速准确地获得该待识别服装的分类信息。
S1042,采用训练好的颜色识别模型,对所述图片进行识别,获得所述待识别服装的颜色信息。
在一个实施例中,如图4所示,训练获得所述训练好的颜色识别模型的方法包括以下步骤S402至步骤S404。
S402,获取第二样本数据,所述第二样本数据包括待训练服装的图片及其对应的颜色信息标签。
其中,待训练服装为通过大数据预先调查过分类特征、颜色特征和时尚潮流度的多套服装,对多套服装进行拍摄获得多张图片,能够更加全面地对分类特征、颜色特征和时尚潮流度进行综合考量。服装的套数需要考虑后续训练计算的繁杂因素,具体实施时可根据情况进行灵活设定。
在一个实施例中,待训练服装的颜色信息标签的获取方式如下:对待训练服装的版样或实体进行拍摄,获得待训练服装的图片,从图片中提取服装设计的图片要素,通常提取的图片要素可以有多个,并且各个要素之间是不同的,以从不同的方面来对服装设计进行考量,然后根据提取到的图片要素中的颜色特征,得到颜色信息标签。
在一个实施例中,待训练服装的颜色信息标签的获取方式如下:查找待训练服装的设计档案信息,从设计档案信息中提取档案要素,通常提取的档案要素可以有多个,并且各个要素之间是不同的,以从不同的方面来对服装设计进行考量,然后根据提取到的档案要素中的颜色特征,得到颜色信息标签。
S404,采用待训练颜色识别模型,对所述第二样本数据进行训练,根据训练结果与所述颜色信息标签的差异,调整所述待训练颜色识别模型的参数,直至满足训练结束条件,获得训练好的颜色识别模型。
其中,颜色识别模型可以采用现有的分类模型结构,训练结束条件可以是达到预设迭代次数,也可以是损失函数值达到最小。颜色识别模型训练好之后,输入待识别服装的图片,即可快速准确地获得该待识别服装的颜色信息。
S1043,采用训练好的时尚标签识别模型,对所述分类信息和所述颜色信息进行识别,获得所述待识别服装的时尚潮流度。
在一个实施例中,如图5所示,训练获得所述训练好的时尚标签识别模型的方法包括以下步骤S502至步骤S504。
S502,获取第三样本数据,所述第三样本数据包括待训练服装的时尚因素及其对应的时尚潮流度标签,所述时尚因素包括分类信息和颜色信息。
其中,待训练服装为通过大数据预先调查过分类特征、颜色特征和时尚潮流度的多套服装,对多套服装进行拍摄获得多张图片,能够更加全面地对分类特征、颜色特征和时尚潮流度进行综合考量。服装的套数需要考虑后续训练计算的繁杂因素,具体实施时可根据情况进行灵活设定。
在一个实施例中,待训练服装的时尚潮流度标签的获取方式如下对待训练服装的版样或实体进行拍摄,获得待训练服装的图片,从图片中提取服装设计的图片要素,通常提取的图片要素可以有多个,并且各个要素之间是不同的,以从不同的方面来对服装设计进行考量,然后提取图片要素中的时尚元素,时尚元素包括分类特征和颜色特征,根据时尚因素对应的服装销售量占比,得到时尚潮流度标签。
在一个实施例中,待训练服装的时尚潮流度标签的获取方式如下:查找待训练服装的设计档案信息,从设计档案信息中提取档案要素,通常提取的档案要素可以有多个,并且各个要素之间是不同的,以从不同的方面来对服装设计进行考量,然后提取档案要素中的时尚元素,时尚元素包括分类特征和颜色特征,根据时尚因素对应的服装销售量占比,得到时尚潮流度标签。
S504,采用待训练时尚标签识别模型,对所述第三样本数据进行训练,根据训练结果与所述时尚潮流度标签的差异,调整所述待训练时尚标签识别模型的参数,直至满足训练结束条件,获得训练好的时尚标签识别模型。
其中,时尚标签识别模型可以采用现有的分类模型结构,训练结束条件可以是达到预设迭代次数,也可以是损失函数值达到最小。时尚标签识别模型训练好之后,输入待识别服装的分类信息和颜色信息,即可快速准确地获得该待识别服装的时尚潮流度。
在一个实施例中,为了考量服装的销售情况对其设计特征的影响,如图6所示,在将所述分类信息、所述颜色信息和所述时尚潮流度组合,确定为所述待识别服装的设计特征信息之后,还包括步骤S108:根据所述待识别服装的设计特征信息,对所述待识别服装进行销售预测,获得所述待识别服装的销售预测结果。
具体地,可以采用训练好的视觉畅销模型,根据所述待识别服装的设计特征信息,对所述待识别服装进行销售预测,获得所述待识别服装的销售预测结果。
在一个实施例中,如图7所示,训练获得所述训练好的视觉畅销模型的方法包括以下步骤S702至步骤S704。
S702,获取第四样本数据,所述第四样本数据包括待训练服装的设计特征信息及其对应的销量标签。
其中,待训练服装为通过大数据预先调查过分类特征、颜色特征、时尚潮流度以及销量情况的多套已售服装,获取每件已售服装的图片和销量情况。服装的套数需要考虑后续训练计算的繁杂因素,具体实施时可根据情况进行灵活设定。
在一个实施例中,待训练服装的销量标签的获取方式如下:对待训练服装的版样或实体进行拍摄,获得待训练服装的图片,从图片中识别服装的设计特征信息,并根据该设计特征信息对应的销量情况,得到销量标签。销量标签可以按照销量等级进行设定,比如“爆款”等。
S704,采用待训练视觉畅销模型,对所述第四样本数据进行训练,根据训练结果与所述销量标签的差异,调整所述待训练视觉畅销模型的参数,直至满足训练结束条件,获得训练好的视觉畅销模型。
其中,视觉畅销模型可以采用现有的分类模型结构,训练结束条件可以是达到预设迭代次数,也可以是损失函数值达到最小。视觉畅销识别模型训练好之后,输入待识别服装的图片或设计特征信息,即可快速准确地获得该待识别服装的销售预测结果。
在一个实施例中,为了有效地反馈市场情况,根据所述待识别服装的销售预测结果,生成推荐服装设计信息(如款式、尺寸、颜色等),以便对服装设计进行有效修正。例如,若当前服装的销售预测结果不理想,可以按照推荐服装设计信息,对当前服装设计进行修正,以更符合市场需求。
在一个实施例中,生成推荐服装设计信息之后,还可以将多个推荐服装设计信息按照推荐等级由高到低的顺序进行排序,对于一些推荐服装设计信息还可以采用突显标识进行显示,以方便查看。其中,推荐等级可以依据销售预测结果进行分级,销售预测结果越好,推荐等级越高。
应该理解的是,虽然图1-7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1-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种服装识别装置,包括:获取模块810、识别模块820和确定模块830。
获取模块810,用于获取待识别服装的图片。
识别模块820,用于对所述待识别服装的图片进行识别,获得所述待识别服装的分类信息和颜色信息,根据所述分类信息和所述颜色信息,获得所述待识别服装的时尚潮流度。
确定模块830,用于将所述分类信息、所述颜色信息和所述时尚潮流度组合,确定为所述待识别服装的设计特征信息。
在一个实施例中,识别模块820包括:分类信息识别单元、颜色信息识别单元和时尚潮流度识别单元。
分类信息识别单元,用于采用训练好的分类识别模型,对所述图片进行识别,获得所述待识别服装的分类信息。
颜色信息识别单元,用于采用训练好的颜色识别模型,对所述图片进行识别,获得所述待识别服装的颜色信息。
时尚潮流度识别单元,用于采用训练好的时尚标签识别模型,对所述分类信息和所述颜色信息进行识别,获得所述待识别服装的时尚潮流度。
在一个实施例中,分类信息识别单元,还用于:获取第一样本数据,所述第一样本数据包括待训练服装的图片及其对应的分类信息标签;采用待训练分类识别模型,对所述第一样本数据进行训练,根据训练结果与所述分类信息标签的差异,调整所述待训练分类识别模型的参数,直至满足训练结束条件,获得训练好的分类识别模型。
在一个实施例中,分类信息识别单元,还用于:从所述待训练服装的图片或设计档案信息中提取分类信息,获得所述待训练服装对应的分类信息标签。
在一个实施例中,颜色信息识别单元,还用于:获取第二样本数据,所述第二样本数据包括待训练服装的图片及其对应的颜色信息标签;采用待训练颜色识别模型,对所述第二样本数据进行训练,根据训练结果与所述颜色信息标签的差异,调整所述待训练颜色识别模型的参数,直至满足训练结束条件,获得训练好的颜色识别模型。
在一个实施例中,颜色信息识别单元,还用于:从所述待训练服装的图片或设计档案信息中提取颜色信息,获得所述待训练服装对应的颜色信息标签。
在一个实施例中,时尚潮流度识别单元,还用于:获取第三样本数据,所述第三样本数据包括待训练服装的时尚因素及其对应的时尚潮流度标签,所述时尚因素包括分类信息和颜色信息;采用待训练时尚标签识别模型,对所述第三样本数据进行训练,根据训练结果与所述时尚潮流度标签的差异,调整所述待训练时尚标签识别模型的参数,直至满足训练结束条件,获得训练好的时尚标签识别模型。
在一个实施例中,时尚潮流度识别单元,还用于:从所述待训练服装的图片或设计档案信息中提取时尚因素,根据所述时尚因素对应的服装销售量占比,获得所述待训练服装对应的时尚潮流度标签,所述时尚因素包括分类信息和颜色信息。
在一个实施例中,如图9所示,服装识别装置还包括:预测模块840,用于根据所述待识别服装的设计特征信息,对所述待识别服装进行销售预测,获得所述待识别服装的销售预测结果。
在一个实施例中,预测模块840,具体用于采用训练好的视觉畅销模型,根据所述待识别服装的设计特征信息,对所述待识别服装进行销售预测,获得所述待识别服装的销售预测结果。
在一个实施例中,预测模块840,还用于:获取第四样本数据,所述第四样本数据包括待训练服装的设计特征信息及其对应的销量标签;采用待训练视觉畅销模型,对所述第四样本数据进行训练,根据训练结果与所述销量标签的差异,调整所述待训练视觉畅销模型的参数,直至满足训练结束条件,获得训练好的视觉畅销模型。
在一个实施例中,服装识别装置还包括:推荐模块,用于根据所述待识别服装的销售预测结果,生成推荐服装设计信息;将所述推荐服装设计信息按照推荐等级由高到低的顺序进行排序。
关于服装识别装置的具体限定可以参见上文中对于服装识别方法的限定,在此不再赘述。上述服装识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种服装识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各个方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
需要说明的是,上述实施例中,诸如“第一”、“第二”等术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,也不能理解为指示或暗示相对重要性。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。