用于生成分类信息的方法、装置、电子设备和介质
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于生成分类信息的方法、装置、电子设备和介质。
背景技术
随着视频技术的飞速发展,各式各样的视频不断涌现。人们渐渐开始利用PPT视频来了解需要的信息。现有的轮播视频传达信息单一乏味,轮播视频中的图像大多存在无关联性,严重影响用户体验。所以,为了有效处理视频,为生成符合用户需求的轮播视频,需要一种针对视频的高效分类方法。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于生成分类信息的方法、装置、电子设备和介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种用于生成分类信息的方法,该方法包括:对目标视频进行抽帧,得到至少两个采样帧;对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征,得到采样帧特征集合;将上述采样帧特征集合输入至预先训练的循环神经网络,生成采样特征,上述采样特征中包括时序信息;对上述采样特征进行分类,生成分类信息。
第二方面,本公开的一些实施例提供了一种用于生成分类信息的装置,装置包括:抽帧单元,被配置成对目标视频进行抽帧,得到至少两个采样帧;第一生成单元,被配置成对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征,得到采样帧特征集合;第二生成单元,被配置成将上述采样帧特征集合输入至预先训练的循环神经网络,生成采样特征,上述采样特征中包括时序信息;第三生成单元,被配置成对上述采样特征进行分类,生成分类信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一、二方面中任一的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一、二方面中任一的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过对目标视频进行抽帧,得到采样帧,进而可以得到采样帧特征集合。通过将采样帧特征集合输入预先训练的循环神经网络,利用该网络学习采样帧的时序上的特征来生成采样特征。再对所得到的采样特征进行分类,生成分类信息,实现了对视频的分析。从而,有利于对视频的分类、过滤。为用户制作轮播视频提供了便利,侧面提高了用户体验。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的用于生成分类信息的方法的一个应用场景的示意图;
图2是根据本公开的用于生成分类信息的方法的一些实施例的流程图;
图3是根据本公开的一些实施例的用于生成分类信息的方法的循环神经网络的网络结构示意图;
图4是根据本公开的用于生成分类信息的装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的用于生成分类信息的方法的一个应用场景的示意图。
如图1所示,作为示例,计算设备101可以对待截取视频102进行截取,得到预设时长的视频103作为目标视频。再对目标视频103进行抽帧,得到采样帧104和采样帧105。计算设备101可以对采样帧104进行特征提取得到采样帧104的特征106。对采样帧105进行特征提取得到采样帧105的特征107。将特征106和特征107输入至预先训练的循环神经网络108,可以得到采样特征109。最后,对采样特征109进行分类,生成分类信息110。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的用于生成分类信息的方法的一些实施例的流程200。该方法可以由图1中的计算设备101来执行。该用于生成分类信息的方法,包括以下步骤:
步骤201,对目标视频进行抽帧,得到至少两个采样帧。
在一些实施例中,用于生成分类信息的方法的执行主体(如图1所示的计算设备)可以对目标视频进行抽帧,得到至少两个采样帧。
在一些实施例的一些可选的实现方式中,上述目标视频是从待截取视频中截取出来的、预设时长的视频。作为示例,上述执行主体可以先确定待截取视频的开始截至时刻和结束截至时刻。然后,对上述开始截至时刻和上述结束截至时刻之间的视频部分截取出来作为上述目标视频。作为又一示例,上述执行主体可以从上述待截取视频中随机截取出预设时长的视频作为上述目标视频。上述待截取视频可以是用于生成轮播视频的素材视频。本可选的实现方式,通过对待截取视频进行截取,得到预设时长的视频,可以避免因视频时长过长而造成任务量增加的情况。
步骤202,对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征,得到采样帧特征集合。
在一些实施例中,上述执行主体可以利用预先训练的残差网络(Residual NeuralNetwork,ResNet)对上述步骤202得到的每个采样帧进行特征提取,得到上述采样帧的特征。其中,上述残差网络可以是ResNet-50网络模型。
在一些实施例的一些可选的实现方式中,上述对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征,包括:将上述采样帧输入至预先训练的特征提取模型,得到采样帧特征。
在一些实施例的一些可选的实现方式中,上述特征提取模型可以通过如下步骤训练得到:第一步,获取训练样本集,训练样本包括样本采样帧和与样本采样帧对应的样本特征;第二步,从上述训练样本集中选取样本;第三步,将所选取的样本中的样本采样帧输入至初始模型。
将上述多个样本采样帧中的每个样本采样帧依次输入至初始模型,得到上述多个样本采样帧中的每个样本采样帧所对应的上述样本特征;将上述多个样本采样帧中的每个样本采样帧所对应的上述样本特征与该样本采样帧对应的上述样本特征进行比较,得到特征损失值;将上述特征损失值与预设阈值进行比较,得到比较结果;根据比较结果确定上述初始模型是否训练完成;响应于确定上述初始模型训练完成,将上述初始模型确定为特征提取模型。
在这里,上述特征损失值可以是将上述得到的多个样本采样帧中的每个采样帧所对应的的上述样本采样帧与该样本采样帧对应的样本特征作为参数,输入执行的损失函数中得到的值。这里,损失函数(例如平方损失函数、指数损失函数等)通常是用来估量模型的预测值(例如该样本采样帧对应的上述样本特征)与真实值(例如通过上述步骤得到的多个样本采样帧中的每个采样帧所对应的样本特征)的不一致程度。它是一个非负实值函数。一般情况下,损失函数越小,模型的鲁棒性就越好。损失函数可以根据实际需求来设置。
在这里,上述初始模型可以是未经训练,或者训练后未达到预设条件的模型。上述初始模型也可以是具有深度神经网络结构的模型。预先训练的特征提取模型可以是预先训练好的用于提取特征的神经网络模型。该神经网络模型可以具有现有的各种神经网络结构。例如,神经网络结构可以是卷积神经网络(Convolutional Neural Network,CNN)。初始模型的存储位置在本公开中同样不限制。
在一些实施例的一些可选的实现方式中,上述方法还包括:响应于确定初始模型未训练完成,调整初始模型中的相关参数,以及从上述训练样本集中重新选取样本,使用调整后的初始模型作为初始模型,继续执行上述训练步骤。
步骤203,将上述采样帧特征集合输入至预先训练的循环神经网络,生成采样特征,上述采样特征中包括时序信息。
在一些实施例中,上述执行主体可以将上述步骤203得到的采样帧特征集合输入至预先训练的循环神经网络,生成采样特征。这里,循环神经网络可以是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。
作为示例,上述预先训练的循环神经网络可以是长短期记忆网络(LSTM,LongShort-Term Memory)。本可选的实现方式,通过利用长短期记忆网络,可以学习到视频采样帧时序上的特征。使得视频之间有关联性。
在一些实施例的一些可选的实现方式中,上述预先训练的循环神经网络采用至少一个输入单个输出的网络结构。
作为示例,上述长短期记忆网络的网络结构可以参考图3。如图3所示,上述预先训练的长短期记忆网络采用多个输入、单个输出的网络结构。可以得到上述采样帧特征集合中采样帧特征Xt-1和Xt。其中,长短期记忆网络的第一细胞301的输入为Xt-1,输出为t-1时刻长短期记忆网络输出值Ht-1和t-1时刻的单元状态Ct-1。长短期记忆网络的第二细胞302的输入为Xt,Ht-1和Ct-1。输出为t时刻长短期记忆网络输出值Ht和t时刻的单元状态Ct。需要说明的是,长短期记忆网络中细胞包括三个门:遗忘门,输入门和输出门。
其中,遗忘门决定应丢弃或保留哪些信息。来自先前隐藏状态的信息和当前输入的信息同时输入到S型生长曲线(Sigmoid)(即图中的σ)函数,输出值处于0和1之间,越接近0意味着越应该忘记,越接近1意味着越应该保留。遗忘门的输出ft决定着遗忘哪些数据。其中,遗忘门的输出ft可以通过以下公式得到:
ft=σ(Wf·[ht-1,xt]+bf)
在这里,Wf表示遗忘门的权重矩阵,bf表示遗忘门的偏置项,[ht-1,xt]表示两个向量连接成一个更长的向量(即向量的拼接)。
其中,输入门用来更新单元状态。先将先前隐藏状态的信息和当前输入的信息输入到S型生长曲线函数。在0和1之间调整输出值来决定更新哪些信息。其中,0表示不重要,1表示重要。也可将隐藏状态和当前输入传输给双曲正切(Tanh)函数,并在-1和1之间压缩数值以调节网络,然后把双曲正切函数的输出和S型生长曲线函数的输出相乘,S型生长曲线函数的输出将决定在双曲正切函数的输出中哪些信息是重要的且需要进行保留。其中,输入门的输出it可以通过以下公式得到:
it=σ(Wi·[ht-1,xt]+bi)
在这里,it决定了当前时刻网络的输入Xt有多少保存到t时刻的单元状态Ct。Wi表示输入门的权重矩阵,bi表示输入门的偏置项。
在这里,用于描述t时刻输入的单元状态可以通过以下公式来确定:
在这里,
表示t时刻输入的单元状态,W
C表示输入门的权重矩阵,b
C表示输入门的偏置项。
最后,t时刻的单元状态Ct是通过以下公式来确定:
其中,输出门能决定下个隐藏状态的值,隐藏状态中包含了先前输入的相关信息。当然,隐藏状态也可用于预测。首先把先前的隐藏状态和当前输入传递给S型生长曲线函数;接着把新得到的单元状态传递给双曲正切函数;然后把双曲正切函数的输出和S型生长曲线函数输出相乘,以确定隐藏状态应携带的信息;最后把隐藏状态作为当前单元输出,把新的单元状态和新的隐藏状态传输给下个时间步。输出门的输出Ht公式如下:
ot=σ(Wo[ht-1,xt]+bO)
ht=ot*tanh(Ct)
在这里,Ot表示决定哪些将会被当成t时刻的输出,Wo表示输出门的权重矩阵,bo表示输出门的偏置项,ht可以表示为输出门的输出,即t-1时刻到t时刻之间输出的采样特征。
步骤204,对上述采样特征进行分类,生成分类信息。
在一些实施例中,上述执行主体可以通过多种方式对上述的采样特征进行分类,生成分类信息。
作为示例,上述执行主体可以将所得到的采样特征通过逻辑回归模型,生成分类信息。分类信息可以是“该视频属于PPT类视频”。
在一些实施例的一些可选的实现方式中,上述对所得到的采样特征进行分类,生成分类信息,包括:利用上述预先训练的循环神经网络和分类函数,对所得到的采样特征进行分类,得到分类信息。分类函数可以是softmax函数(交叉熵损失函数)。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过对目标视频进行抽帧,得到采样帧,进而可以得到采样帧特征集合。通过将采样帧特征集合输入预先训练的循环神经网络,利用该网络学习采样帧的时序上的特征来生成采样特征。再对所得到的采样特征进行分类,生成分类信息,实现了对视频的分析。从而,有利于对视频的分类、过滤。为用户制作轮播视频提供了便利,侧面提高了用户体验。此外,本公开提供的方法,通过对待截取视频进行截取,得到预设时长的视频作为目标视频。减少了任务耗时,提高了处理速度,也缓解了处理设备的任务负荷。
继续参考图4,作为对上述各图上述方法的实现,本公开提供了一种用于生成分类信息的装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的用于生成分类信息的装置400包括:抽帧单元401、第一生成单元402、第二生成单元403和第三生成单元404。其中,抽帧单元401,被配置成对目标视频进行抽帧,得到至少两个采样帧;第一生成单元402,被配置成对对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征,得到采样帧特征集合;第二生成单元403,被配置成将上述采样帧特征集合输入至预先训练的循环神经网络,生成采样特征,上述采样特征中包括时序信息;第三单元404,被配置成对上述采样特征进行分类,生成分类信息。
在一些实施例的一些可选的实现方式中,上述用于生成分类信息的装置400的第一生成单元402可以进一步被配置成:将上述采样帧输入至预先训练的特征提取模型,得到采样帧特征。
在一些实施例的一些可选的实现方式中,上述预先训练的循环神经网络采用至少一个输入单个输出的网络结构。
在一些实施例的一些可选的实现方式中,上述目标视频是从待截取视频中截取出来的、预设时长的视频,其中,上述待截取视频是用于生成轮播视频的素材视频。
在一些实施例的一些可选的实现方式中,上述用于生成分类信息的装置400的第三生成单元404可以进一步被配置成:利用上述循环神经网络和分类函数,对所得到的采样特征进行分类,得到分类信息。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)500的结构示意图。图5示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例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。在本公开的一些实施例中,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。而在本公开的一些实施例中,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。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;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:对目标视频进行抽帧,得到至少两个采样帧;对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征,得到采样帧特征集合;将上述采样帧特征集合输入至预先训练的循环神经网络,生成采样特征,上述采样特征中包括时序信息;对上述采样特征进行分类,生成分类信息。
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一些实施例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。
描述于本公开的一些实施例中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。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括抽帧单元、第一生成单元、第二生成单元和第三生成单元。其中,这些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,抽帧单元还可以被描述为“对目标视频进行抽帧,得到至少两个采样帧的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种用于生成分类信息的方法,包括:对目标视频进行抽帧,得到至少两个采样帧;对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征,得到采样帧特征集合;将上述采样帧特征集合输入至预先训练的循环神经网络,生成采样特征,上述采样特征中包括时序信息;对上述采样特征进行分类,生成分类信息。
根据本公开的一个或多个实施例,上述对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征,包括:将上述采样帧输入至预先训练的特征提取模型,得到采样帧特征。
根据本公开的一个或多个实施例,上述预先训练的循环神经网络采用至少一个输入单个输出的网络结构。
根据本公开的一个或多个实施例,上述对所得到的采样特征进行分类,生成分类信息,包括:利用上述循环神经网络和分类函数,对所得到的采样特征进行分类,得到分类信息。
根据本公开的一个或多个实施例,上述目标视频是从待截取视频中截取出来的、预设时长的视频,其中,上述待截取视频是用于生成轮播视频的素材视频。
根据本公开的一个或多个实施例,提供了一种用于生成分类信息的装置,包括:抽帧单元,被配置成对目标视频进行抽帧,得到至少两个采样帧;第一生成单元,被配置成对上述至少两个采样帧中的每个采样帧进行特征提取以生成采样帧特征,得到采样帧特征集合;第二生成单元,被配置成将上述采样帧特征集合输入至预先训练的循环神经网络,生成采样特征,上述采样特征中包括时序信息;第三生成单元,被配置成对上述采样特征进行分类,生成分类信息。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述任一实施例描述的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一实施例描述的方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。