用于图像分类的不确定性引导的半监督神经网络训练的制作方法

计算;推算;计数设备的制造及其应用技术1.本发明总体上涉及使用卷积神经网络的图像检测，更具体地涉及用于图像分类的不确定性引导的半监督神经网络训练。背景技术：2.卷积神经网络是多层深度学习算法。深度学习是识别特征并将它们分类的一种类型的机器学习。分类指的是用指示特征的分类的集合中的一个分类来标记图像的像素集合中的每个像素。深度学习算法非常适合于基于医学成像的诊断，例如，医学成像需要识别和分类图像中的特征。有监督学习指的是利用包括真实数据(ground truth)的训练数据集来训练的神经网络。就是说，对应于输入的正确输出是已知的。无监督学习是指仅用输入来训练神经网络。3.在生物医学图像(例如光学相干断层扫描(oct)视网膜扫描)中的解剖学区域的分割具有重大的临床意义，尤其对于疾病诊断、进展分析和治疗计划而言。例如，通过oct测量的环乳头状视网膜神经纤维层(cprnfl)厚度的渐进变薄可以用于预测青光眼患者的视觉功能丧失。4.基于卷积神经网络(cnn)的方法在医学图像和自然图像分割中实现了显著的性能增益。例如，这种网络已经用于眼底和oct图像中的视网膜结构分割。这种完全监督的分割算法需要大量带注释的图像才能实现合理的鲁棒性和准确性。然而，在只有专家才能提供可靠注释的医学成像领域中，获取像素级的真实注释可能既耗时又成本高昂。5.带标记数据的供应不足要求需要有效的半监督的学习方法，这些方法需要有限的监督。本公开描述了新颖的半监督学习方法来解决该问题，其通过利用大量容易获得的未标记数据，连同有限的带标记数据，来改善医学图像分割的性能。6.因此，在本领域中需要解决上述问题。技术实现要素：7.从第一方面来看，本发明提供一种计算机实现的方法，包括：使用经标记的图像来训练教师神经网络以获得经训练的教师神经网络，所述经标记的图像中的每个的每个像素被分配指示分类集合中的一个分类的标记；向所述经训练的教师神经网络提供未标记图像的集合以生成软标记图像的集合，所述软标记图像中的每个的每个像素被分配软标记，所述软标记指示所述分类集合中的一个分类和与所述软标记相关联的不确定度值；用所述经标记的图像的子集和所述软标记图像的集合来训练学生神经网络以获得经训练的学生神经网络；以及使用所述经训练的学生神经网络从未标记图像获得学生标记的图像。8.从又一方面来看，本发明提供一种系统，包括：存储器，具有计算机可读指令；以及一个或多个处理器，用于执行所述计算机可读指令，所述计算机可读指令控制所述一个或多个处理器执行操作，所述操作包括：使用经标记的图像来训练教师神经网络以获得经训练的教师神经网络，所述经标记的图像中的每个的每个像素被分配指示分类集合中的一个分类的标记；向所述经训练的教师神经网络提供未标记图像的集合以生成软标记图像的集合，所述软标记图像中的每个的每个像素被分配软标记，所述软标记指示所述分类集合中的一个分类和与所述软标记相关联的不确定度值；用所述经标记的图像的子集和所述软标记图像的集合来训练学生神经网络以获得经训练的学生神经网络；以及使用所述经训练的学生神经网络从未标记图像获得学生标记的图像。9.从另一方面来看，本发明提供一种包括计算机可读存储介质的计算机程序产品，所述计算机可读存储介质具有利用其实现的程序指令，所述程序指令可由处理器执行以使所述处理器执行包括以下的操作：使用经标记的图像来训练教师神经网络以获得经训练的教师神经网络，所述经标记的图像中的每个的每个像素被分配指示分类集合中的一个分类的标记；向所述经训练的教师神经网络提供未标记图像的集合以生成软标记图像的集合，所述软标记图像中的每个的每个像素被分配软标记，所述软标记指示所述分类集合中的一个分类和与所述软标记相关联的不确定度值；用所述经标记的图像的子集和所述软标记图像的集合来训练学生神经网络以获得经训练的学生神经网络；以及使用所述经训练的学生神经网络从未标记图像获得学生标记的图像。10.从另一方面来看，本发明提供了一种用于图像分类的神经网络训练的计算机程序产品，该计算机程序产品包括可由处理电路读取并且存储指令的计算机可读存储介质，这些指令用于由该处理电路执行以便执行用于执行本发明的步骤的方法。11.从另一方面来看，本发明提供一种存储在计算机可读介质上并且可加载到数字计算机的内部存储器中的计算机程序，该计算机程序包括当所述程序在计算机上运行时用于执行本发明的步骤的软件代码部分。12.本发明的实施例涉及不确定性引导的(uncertainty guided)半监督神经网络训练。一种非限制性示例计算机实现的方法，包括使用经标记的图像来训练教师神经网络以获得经训练的教师神经网络，所述经标记的图像中的每个的每个像素被分配指示分类集合中的一个分类的标记。所述方法还包含：向经训练的教师神经网络提供未标记图像的集合以生成软标记图像的集合，向所述软标记图像中的每个的每个像素分配指示所述分类集合中的一个分类和与所述软标记相关联的不确定度值的软标记；以及用所述经标记的图像的子集和所述软标记图像的集合来训练学生神经网络以获得经训练的学生神经网络。使用经训练的学生神经网络从未标记图像中获得学生标记的图像。13.本发明的其他实施例在计算机系统和计算机程序产品中实现上述方法的特征。14.通过本发明的技术实现了附加技术特征和优点。在本文中详细描述了本发明的实施例和各方面，这些实施例和方面被认为是所要求保护的主题的一部分。为了更好的理解，参考详细说明和附图。附图说明15.在说明书结尾处的权利要求中特别指出并明确要求保护本文所述的独占权利的细节。从以下结合附图进行的详细描述中，本发明的实施例的前述和其他特征和优点将变得显而易见，在附图中：16.图1示出了根据本发明一个或多个实施例的执行用于图像分类的不确定性引导的半监督神经网络训练的方法的处理流程；17.图2根据本发明的一个或多个实施例详述了通过执行用于图像分类的不确定性引导的半监督神经网络训练来训练学生神经网络的过程；以及18.图3示出了根据本发明的一个或多个实施例的用于实现用于图像分类的不确定性引导的半监督神经网络训练的处理系统的框图。19.这里所示出的图是说明性的。在不偏离本发明的精神的情况下，其中描述的图或操作可以有许多变型。例如，可以以不同的顺序执行动作，或者可以添加、删除或修改动作。此外，术语“耦合”及其变型描述了在两个元件之间具有通信路径，而不暗示元件之间的直接连接，在它们之间没有介入元件/连接。所有这些变型被认为是说明书的一部分。具体实施方式20.如先前所指出的，深度学习神经网络可以用于标识特征和对图像中的特征进行分类。这些神经网络可被训练成例如基于医学图像中的特征的分类来执行医学诊断。也就是说，医学图像中的特征可用分类集合中的一个分类来识别和标记。包括使用已经标记的图像来训练神经网络的监督学习可以产生更好的结果。然而，获得用于有监督学习的足够大的训练数据集可能既耗时又成本高昂。例如，在医疗诊断应用中，只有专家才能提供有监督学习所需的图像的像素级的真实注释。21.在典型的有监督学习场景中，向神经网络提供已分类图像输入的集合以产生经训练的神经网络。输入的集合越大，所得到的经训练的神经网络可能越准确。然而，同样如先前所指出的，获得大量已分类图像可能是具有挑战性的。例如，在医疗诊断应用中，只有专家才能确定用于对输入图像进行分类的标记。22.本发明的一个或多个实施例涉及用于图像分类的不确定性引导的半监督神经网络训练。如本文随后更详细描述的，教师神经网络经历使用可用的分类图像的集合的有监督学习。所得的经训练的教师神经网络随后对另外的图像进行分类以提供软标记。因为未分类图像(unclassified images)比分类图像(classified images)更容易获得，所以能用经训练的教师神经网络从未分类图像生成的软标记图像，可以是比分类图像大得多的集合。然后用分类图像和软标记图像来训练学生神经网络。由此，学生神经网络受益于因使用分类图像和软标记图像两者而产生的较大训练数据集。23.根据本发明的各方面，学生神经网络受益于指示与由经训练的教师神经网络生成的每个标记相关联的置信度水平的不确定性映射(uncertainty map)。虽然出于示例性目的具体地讨论了光学相干断层扫描(oct)视网膜扫描，但本文详述的本发明的一个或多个实施例也适用于任何具有可以分类成具体类别的特征的生物医学图像或其他图像。其他示例性图像包括磁共振图像(mri)，并且其他示例性诊断涉及肺结节和视网膜血管。在从oct视网膜扫描获得图像的示例性情况下，oct扫描测量环乳头状视网膜神经纤维层(cprnfl)的厚度并因此指示cprnfl变薄的事实，可以用于预测青光眼患者的视觉功能损失。24.图1示出了根据本发明一个或多个实施例的执行用于图像分类的不确定性引导的半监督神经网络训练的方法100的过程流程。在框110，获得经标记的图像dl的集合。如前所述，每个经标记的图像的每个像素，按照应用于图像的分类被标记。例如，对于是oct扫描的经标记的图像dl，可以按照眼睛的八个解剖结构的其中之一对每个oct扫描的每个像素进行标记。在框120，用贝叶斯深度学习，用该经标记的图像dl的集合来训练教师神经网络。框120处的训练的结果是经训练的教师神经网络，其可接收未标记图像作为输入，并输出该图像的每个像素的软标记，以及不确定性映射。不确定性映射指示每个软标记的不可靠性(unreliability)。出于解释的目的，由经训练的教师神经网络输出的标记被称为软标记，以便将经训练的教师神经网络的输出与经标记的图像dl中由专家注释、因此代表真实数据的标记区分开。25.然后在框170迭代地执行框130至160处的过程以便获得经训练的学生神经网络。这些过程在此概述并且在以下进一步详述。迭代次数可以基于在每个迭代处使用特殊验证训练集确定的验证损失(validation loss)的收敛。在框130，获得未标记图像du的子集该子集中的未标记图像的数量对于每次迭代可以是相同的。在框140，通过使用经训练的教师神经网络，在框150输出针对未标记图像du的子集的软标记图像和不确定性估计(uncertainty estimate)。即，对于子集中的每个未标记图像，经训练的教师神经网络为每个像素提供软标记并且还指示每个软标记的不可靠性。因此，在框150，针对子集中的每个图像获得软标记z的向量和不确定性估计的向量(即，不确定性映射u)。不确定性映射u中的较高值可表示具有较可能不正确的软标记的像素。在框160，然后可以在学生神经网络的训练中对这些软标记相应地进行向下加权(down-weighted)。在每次迭代时，在框160，使用具有软标记的子集和在框110获得的标记图像的子集来训练学生神经网络。在框160训练学生神经网络的过程，参照图2作详细描述。26.图2详细描述了根据本发明的一个或多个实施例的通过在框160(图1)通过执行用于图像分类的不确定性引导的半监督神经网络训练来训练学生神经网络的过程。不确定性引导的半监督训练指的是使用在框150由经训练的教师神经网络提供的软标记z和不确定性映射u。如先前所指出的，不确定性映射u指示由经训练的教师神经网络针对子集的每个像素生成的软标记的可靠性并因此促进在学生神经网络的训练中对软标记的加权。27.在框210，获得归一化的置信度映射(confidence map)ω指的是根据下式转换由经训练的教师神经网络输出的不确定性映射u：ω＝e-αuꢀꢀꢀ[等式1]该正标量超参数α控制从经训练的教师神经网络到学生神经网络的信息流，更具体地，控制软标记z的使用。即，如果α被设置为0，所有的软标记z将被同等地加权(即，ω＝1)，但是在α》0的情况下，进行更可靠的软标记的概率选择。归一化的置信度映射ω∈[0,1]提供软标记z的像素级质量，从而使得不确定度值越高，产生的质量分数越低(并且该软标记将被用于训练可能性越低)并且不确定度值越低，产生的质量分数越高(并且软标记将被用于训练的可能性越高)。α的值可以凭经验确定。除了标记图像的子集的专家注释的标记之外还使用从经训练的教师神经网络获得的子集的软标记z，增加了在训练学生神经网络中使用的训练数据集。此外，基于从经训练的教师神经网络获得的不确定性映射u对软标记z进行加权进一步改善学生神经网络的训练。[0028]在框220，从学生神经网络获得输出指的是使用加权的软标记并指示第t个像素和第c类(class)。用标准损失llab来表示与标记图像的子集相关联的损失，并将与子集相关联的未标记的损失lunlab表达为由下式给出的置信度加权的交叉熵：在图像是oct扫描的示例性情况下，类的数量是8(即，c＝8)。zc表示软标记向量z中第c类的像素区域，ζc由下式给出：根据等式3，当每类的有效像素数≤p时，ζc＝0。这提高了zc的大多数像素不确定时未标记损失的稳定性。经验地设置p的值(例如，在图像是oct扫描的示例性情况下，p＝50)。在框230，计算半监督损失lsemisup，其为未标记损失lunlab和标记损失llab之和，由下式给出：lsemisup＝lunlab+llabꢀꢀꢀ[等式4]作为迭代的训练过程的一部分，在框240，用半监督损失lsemisup来更新学生神经网络的参数。[0029]可以用特定训练数据集，重复进行框220处的从学生神经网络获得输出和框230处的计算半监督损失，以确定是否需要对框130至160(图1)的过程进行进一步迭代。该特定训练数据集或验证图像包括未标记图像和对应的标记图像。在框240，用在框230用图像子集和计算的上述半监督损失lsemisup来更新学生神经网络参数。用验证图像在框230计算的半监督损失lsemisup被用于确定收敛。如果半监督损失lsemisup收敛(例如，从一个迭代到下一个迭代的半监督损失lsemisup的差低于阈值)，则迭代可停止。框130到160的过程的迭代可以一直执行，直到实现收敛或达到设定的迭代次数(例如，40,000)为止。[0030]应当理解，本发明的一个或多个实施例能够结合现在已知或以后开发的任何其他类型的计算环境来实现。例如，图3描绘了用于实施本文所描述的技术的处理系统300的框图。在图3所示的实施例中，处理系统300具有一个或多个中央处理单元(处理器)21a、21b、21c等。(统称为或一般地称为(一个或多个)处理器21和/或(一个或多个)处理设备)。根据本发明的一个或多个实施例，每个处理器21可包括精简指令集计算机(risc)微处理器。处理器21经由系统总线33耦合到系统存储器(例如，随机存取存储器(ram)24)和不同其他组件。只读存储器(rom)22耦合到系统总线33，并且可以包括基本输入/输出系统(bios)，其控制处理系统300的某些基本功能。[0031]进一步展示了耦合到系统总线33的输入/输出(i/o)适配器27和通信适配器26。i/o适配器27可以是与硬盘23和/或磁带存储驱动器25或任何其他类似组件通信的小型计算机系统接口(scsi)适配器。i/o适配器27、硬盘23和磁带存储设备25在本文中统称为大容量存储设备34。用于在处理系统300上执行的操作系统40可以存储在大容量存储设备34中。ram 22、rom 24和大容量存储器34是处理系统300的存储器19的示例。网络适配器26将系统总线33与外部网络36互连，从而使得处理系统300能够与其他此类系统通信。[0032]显示器(例如，显示监视器)35通过显示适配器32连接到系统总线33，显示适配器32可包括图形适配器以改善图形密集型应用的性能和视频控制器。根据本发明的一个或多个实施例，适配器26、27和/或32可以连接到一个或多个i/o总线，这些i/o总线经由中间总线桥(未示出)连接到系统总线33。用于连接诸如硬盘控制器、网络适配器和图形适配器之类的外围设备的合适的i/o总线通常包括诸如外围组件互连(pci)之类的公共协议。附加的输入/输出设备被示为经由用户接口适配器28和显示适配器32连接到系统总线33。键盘29、鼠标30和扬声器31可以经由用户接口适配器28互连到系统总线33，用户接口适配器28可以包括例如将多个设备适配器集成到单个集成电路中的超级i/o芯片。[0033]根据本发明的一个或多个实施例，处理系统300包括图形处理单元37。图形处理单元37是经设计以操纵和改变存储器以加速预期用于输出到显示器的帧缓冲器中的图像的创建的专用电子电路。通常，图形处理单元37在操纵计算机图形和图像处理时非常有效，并且具有高度并行的结构，该结构使得其比通用cpu更有效地用于其中并行完成大数据块的处理的算法。[0034]由此，如此处所配置的，处理系统300包括处理器21形式的处理能力、包括系统存储器(例如，ram 24)和大容量存储设备34的存储能力、诸如键盘29和鼠标30的输入装置、以及包括扬声器31和显示器35的输出能力。根据本发明的一个或多个实施例，系统存储器(例如，ram 24)和大容量存储设备34的一部分共同存储操作系统，例如来自ibm公司的操作系统，以协调处理系统300中所示的不同组件的功能。[0035]本文参考相关附图描述了本发明的各种实施例。在不脱离本发明的范围的情况下，可设计本发明的替代实施例。在以下描述和附图中，在元件之间阐述了各种连接和位置关系(例如，上方、下方、相邻等)。除非另有规定，否则这些连接和/或位置关系可以是直接或间接的，并且本发明在此方面并非意图是限制性的。因此，实体的连接可以指直接的或间接的连接，并且实体之间的位置关系可以是直接的或间接的位置关系。此外，本文描述的各种任务和过程步骤可以并入具有本文未详细描述的附加步骤或功能的更全面的程序或过程中。[0036]本文描述的一种或多种方法可以用任何以下技术或以下技术的组合来实现，每个技术都是本领域公知的：具有用于对数据信号实现逻辑功能的逻辑门的分立逻辑电路、具有适当组合逻辑门的专用集成电路(asic)、可编程门阵列(pga)、现场可编程门阵列(fpga)等[0037]为了简洁起见，涉及制造和使用本发明的方面的常规技术可能在本文中作了详细描述，也可能未作详细描述。具体地，用于实现本文所描述的不同技术特征的计算系统和特定计算机程序的各个方面是众所周知的。因而，为了简洁起见，许多常规实施细节在本文中仅简要提到或完全省略，而不提供众所周知的系统和/或过程细节。[0038]在一些实施例中，各种功能或动作可以在给定位置处发生和/或与一个或多个装置或系统的操作结合发生。在一些实施例中，可以在第一设备或位置处执行给定功能或动作的一部分，并且可以在一个或多个附加设备或位置处执行该功能或动作的剩余部分。[0039]本文中使用的术语仅用于描述具体实施方式的目的，而并非旨在进行限制。如本文中使用的，除非上下文另有明确指示，否则单数形式“一”、“一个”和“该”旨在也包括复数形式。还应当理解，当在本说明书中使用术语“包括”和/或“包含”时，其指定所述特征、整体、步骤、操作、元件和/或部件的存在，但不排除一个或多个其他特征、整体、步骤、操作、元件部件和/或其组合的存在或添加。[0040]以下权利要求中的所有装置或步骤加上功能元件的对应结构、材料、动作和等效物旨在包括用于结合如具体要求保护的其他要求保护的元件来执行所述功能的任何结构、材料或动作。本公开已出于说明和描述的目的而呈现，但并不旨在是详尽的或限于所公开的形式。在不背离本公开的范围的情况下，许多修改和变化对于本领域普通技术人员来说是显而易见的。选择和描述这些实施例以便最好地解释本披露的原理和实际应用，并且使本领域的其他普通技术人员能够针对具有适合于所预期的特定用途的不同修改的不同实施例来理解本公开。[0041]此处所示出的图是说明性的。在不背离本公开的范围的情况下，可以对本文所述的图或步骤(或操作)进行许多变化。例如，可以以不同的顺序执行动作，或者可以添加、删除或修改动作。而且，术语“耦合”描述了在两个元件之间具有信号路径，而不暗示元件之间的直接连接，其间没有中间元件/连接。所有这些变型被认为是本公开的一部分。[0042]以下定义和缩写将用于解释权利要求书和说明书。如在此使用的，术语“包括”、“包含”、“含有”、“含”、“具有”、“有”、或“存在”或其任何其他变型旨在涵盖非排他性的包括。例如，包含一系列要素的组合物、混合物、工艺、方法、物品或设备不必仅限于那些要素，而是可以包括未明确列出的或这种组合物、混合物、工艺、方法、物品或设备固有的其他要素。[0043]此外，术语“示例性的”在本文中用于表示“用作示例、例子或例证”。本文中描述为“示例性”的任何实施方式或设计不一定被解释为优于或优于其他实施方式或设计。术语“至少一个”和“一个或多个”应理解为包括大于或等于一的任何整数，即。一个、两个、三个、四个等。术语“多个”应理解为包括大于或等于二的任何整数，即。两个、三个、四个、五个等。术语“连接”可包括间接“连接”和直接“连接”。[0044]术语“约”、“基本上”、“大致”及其变型旨在包括与基于提交申请时可用的设备的特定量的测量相关联的误差程度。例如，“约”可以包括给定值的±8％或5％、或2％的范围。[0045]本发明可以是任何可能的技术细节集成度的系统、方法和/或计算机程序产品。计算机程序产品可包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质。[0046]计算机可读存储介质可为可保留和存储供指令执行装置使用的指令的有形装置。计算机可读存储介质可以是例如但不限于：电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项：便携式计算机盘、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)、静态随机存取存储器(sram)、便携式紧凑盘只读存储器(cd-rom)、数字通用盘(dvd)、记忆棒、软盘、诸如穿孔卡或具有记录在其上的指令的槽中的凸出结构之类的机械编码设备、以及上述各项的任何合适的组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，穿过光纤电缆的光脉冲)或通过电线发射的电信号。[0047]本文中所描述的计算机可读程序指令可以经由网络(例如，互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备，或者下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。[0048]用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种程序设计语言的任何组合编写的源代码或目标代码，这些程序设计语言包括面向对象的程序设计语言(诸如smalltalk、c++等)和过程程序设计语言(诸如“c”程序设计语言或类似程序设计语言)。计算机可读程序指令可以完全地在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、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。在后一种情况下，远程计算机可通过任何类型的网络(包括局域网(lan)或广域网(wan))连接至用户计算机，或者可连接至外部计算机(例如，使用互联网服务提供商通过互联网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令，以便执行本发明的各方面。[0049]参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。[0050]这些计算机可读程序指令可被提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器以产生机器，使得经由计算机或其他可编程数据处理设备的处理器执行的指令创建用于实现在流程图和/或框图的或多个框中指定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理设备、和/或其他设备以特定方式工作，从而，其中存储有指令的计算机可读存储介质包括包含实现流程图和/或框图中的或多个方框中规定的功能/动作的方面的指令的制造品。[0051]也可以把计算机可读程序指令加载到计算机、其他可编程数据处理设备、或其他设备上，使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，以产生计算机实现的处理，使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图中的或多个方框中规定的功能/动作。[0052]附图中的流程图和框图示出了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此，流程图或框图中的每个框可表示指令的模块、段或部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些备选实现中，框中标注的功能可以不按照图中标注的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行。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动作或执行专用硬件与计算机指令的组合的专用的基于硬件的系统来实现。[0053]已经出于说明的目的呈现了本发明的各种实施方式的描述，但并不旨在是详尽的或者限于所公开的实施方式。在不脱离所描述的实施例的范围的情况下，许多修改和变化对于本领域普通技术人员来说是显而易见的。本文使用的术语被选择来最好地解释实施例的原理、实际应用或优于市场中发现的技术的技术改进，或者使得本领域普通技术人员能够理解本文描述的实施例。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!