基于图像的问答处理方法和装置、电子设备及存储介质与流程

本公开实施例涉及计算机视觉领域，特别涉及一种基于图像的问答处理方法和装置、电子设备及存储介质。

背景技术：

图像识别技术可以应用到各个领域中，例如可以结合计算机视觉和语言分析来实现图像标注、语言搜图以及视觉问答等。其中视觉问答是指在给定一张图片和与之相关的问题的情况下，视觉问答系统能够确的给出答案文本。

在处理视觉问答任务的现有研究中，首先需要双线性池化方法得到这图像特征和问题特征的融合特征，基于该融合特征最后预测最终的答案。但是目前的特征融合过程在视觉问答模型的较后阶段执行，不能有效的利用图片特征和问题特征。

技术实现要素：

本公开实施例提出了一种能够有效的利用图像特征和问题特征并提高识别精度基于图像的问答处理方法和装置、电子设备及存储介质。

根据本公开实施例的第一方面，提供了一种基于图像的问答处理方法，其包括：

获取目标图像的图像特征，以及获取目标问题的问题特征，其中所述目标问题为针对所述目标图像的问题；

基于所述问题特征确定动态卷积核，并基于所述动态卷积核对所述图像特征执行卷积操作获得融合特征；

基于所述融合特征确定所述目标图像中针对所述目标问题的答案。

在本公开实施例中，所述基于所述动态卷积核对所述图像特征执行卷积操作获得融合特征包括：

将所述动态卷积核分别输入至n个卷积模组，其中各卷积模组依次顺序连接构成直线型连接结构，其中n为大于1的整数；

通过所述直线型连接结构中的第一个卷积模组基于所述动态卷积核执行所述图像特征的卷积操作，得到第一输出结果；

通过所述直线型连接结构中的第i个卷积模组基于所述动态卷积核执行第i-1个卷积模组的输出结果的卷积操作，并通过第n个卷积模组获得所述融合特征，其中i为大于1且小于或者等于n的整数。

在本公开实施例中，各所述卷积模组包括至少一个卷积单元组，其中，通过各所述卷积模组执行卷积操作包括：

将输入至卷积模组的输入数据划分成至少一组特征子数据，所述特征子数据的组数与所述卷积单元组的组数对应，并且所述输入数据包括所述图像特征或者包括该卷积模组的前一个卷积模组的输出结果；

将各组特征子数据分别对应地分配给各卷积单元组，且将动态卷积核分配给至少一个卷积单元组，该被分配动态卷积核的至少一个卷积单元组以外的各卷积单元组被分配预设卷积核；

通过各卷积单元组基于分配的动态卷积核或者预设卷积核对输入的特征子数据执行卷积操作。

在本公开实施例中，所述通过各卷积单元组基于分配的动态卷积核或者预设卷积核对输入的特征子数据执行卷积操作包括：

从利用动态卷积核执行卷积操作的卷积单元组获得的第一特征数据中选择出第一部分数据，所述第一特征数据为利用所述动态卷积核执行卷积操作的卷积单元生成的数据；

将利用预设卷积核执行卷积操作的卷积单元组获得的第二特征数据的第二部分数据替换成所述第一部分数据，获得第三特征数据；

基于所述第一特征数据和第三特征数据得到对应卷积模组的输出结果。

在本公开实施例中，各所述卷积模组包括至少一个卷积单元组，其中，通过各所述卷积模组执行卷积操作包括：

将输入至卷积模组的输入数据划分成至少一组特征子数据，所述特征子数据的组数与所述卷积单元组的组数对应，并且所述输入数据包括所述图像特征或者包括该卷积模组的前一个卷积模组的输出结果；

将各组特征子数据分别对应地分配给各卷积单元组，且将动态卷积核分别分配给各卷积单元组；

通过各卷积单元组基于分配的动态卷积核对输入的特征子数据执行卷积操作。

在本公开实施例中，所述通过各卷积单元组基于分配的动态卷积核对输入的特征子数据执行卷积操作包括：

获取各卷积单元组输出的特征数据；

基于各卷积单元组输出的特征数据获得对应卷积模组的输出结果。

在本公开实施例中，所述基于所述融合特征确定所述目标图像中针对所述目标问题的答案包括：

利用预设的分类模型对所述融合特征进行分析识别，获得针对所述目标问题的答案。

在本公开实施例中，所述基于所述融合特征确定所述目标图像中针对所述目标问题的答案包括：

获得与所述融合特征对应的注意力权重矩阵；

基于所述注意力权重矩阵对所述融合特征的对应特征加权求和；

利用预设的分类模型对加权求和后的融合特征进行分析识别，获得针对所述目标问题的答案。

在本公开实施例中，所述预设的分类模型包括深度学习神经网络模型。

1在本公开实施例中，所述基于所述问题特征确定动态卷积核包括：

利用全连接神经网络对所述问题特征进行处理得到所述动态卷积核。

在本公开实施例中，所述获取目标图像的图像特征，以及获取针对所述目标图像的目标问题的问题特征包括：

利用第一模型提取所述目标图像的图像特征，以及利用第二模型提取所述目标问题中的问题特征。

在本公开实施例中，所述第一模型包括深度卷积网络模型，所述第二模型包括循环神经网络模型。

在本公开实施例中，所述方法还包括：

从存储的图像数据中获取目标图像，和/或接收传输的目标图像；

接收输入的目标问题，和/或识别目标图像中的目标问题。

根据本公开实施例的第二方面，提供了一种基于图像的问答处理装置，其包括：

特征获取模块，其配置为获取目标图像的图像特征，以及获取目标问题的问题特征，其中所述目标问题为针对所述目标图像的问题；

特征融合模块，其配置为基于所述问题特征确定动态卷积核，并基于所述动态卷积核对所述图像特征执行卷积操作获得融合特征；

确定模块，其配置为基于所述融合特征确定所述目标图像中针对所述目标问题的答案。

在本公开实施例中，所述特征融合模块包括n个卷积模组，各卷积模组依次顺序连接构成直线型连接结构，其中n为大于1的整数；并且

所述特征融合模块还配置为将所述动态卷积核分别输入至n个卷积模组，并通过所述直线型连接结构中的第一个卷积模组基于所述动态卷积核执行所述图像特征的卷积操作，得到第一输出结果；以及

通过所述直线型连接结构中的第i个卷积模组基于所述动态卷积核执行第i-1个卷积模组的输出结果的卷积操作，并通过第n个卷积模组获得所述融合特征，其中i为大于1且小于或者等于n的整数。

在本公开实施例中，各所述卷积模组包括至少一个卷积单元组；

并且，所述特征融合模块进一步配置为将输入至各卷积模组的输入数据划分成至少一组特征子数据，并将各组特征子数据分别对应地分配给各卷积单元组，且将动态卷积核分配给至少一个卷积单元组，以通过各卷积单元组基于分配的动态卷积核或者预设卷积核对输入的特征子数据执行卷积操作；

其中，被分配动态卷积核的至少一个卷积单元组以外的各卷积单元组被分配预设卷积核；

并且，所述特征子数据的组数与所述卷积单元组的组数对应，所述输入数据包括所述图像特征或者包括该卷积模组的前一个卷积模组的输出结果。

在本公开实施例中，所述特征融合模块还配置为从利用动态卷积核执行卷积操作的卷积单元组获得的第一特征数据中选择出第一部分数据，所述第一特征数据为利用所述动态卷积核执行卷积操作的卷积单元生成的数据；

将利用预设卷积核执行卷积操作的卷积单元组获得的第二特征数据的第二部分数据替换成所述第一部分数据，获得第三特征数据；

基于所述第一特征数据和第三特征数据得到对应卷积模组的输出结果。

在本公开实施例中，各所述卷积模组包括至少一个卷积单元组；

所述特征融合模块进一步配置为将输入至各卷积模组的输入数据划分成至少一组特征子数据，并将各组特征子数据分别对应地分配给各卷积单元组，且将动态卷积核分别分配给各卷积单元组，以通过各卷积单元组基于分配的动态卷积核对输入的特征子数据执行卷积操作；

其中，所述特征子数据的组数与所述卷积单元组的组数对应，并且所述输入数据包括所述图像特征或者包括该卷积模组的前一个卷积模组的输出结果。

在本公开实施例中，所述特征融合模块还配置为基于各卷积单元组输出的特征数据获得对应卷积模组的输出结果。

在本公开实施例中，所述确定模块还配置为利用预设的分类模型对所述融合特征进行分析识别，获得针对所述目标问题的答案。

在本公开实施例中，所述确定模块还配置为获得与所述融合特征对应的注意力权重矩阵，并基于所述注意力权重矩阵对所述融合特征的对应特征加权求和，以及利用预设的分类模型对加权求和后的融合特征进行分析识别，获得针对所述目标问题的答案。

在本公开实施例中，所述预设的分类模型包括深度学习神经网络模型。

在本公开实施例中，所述特征融合模块还配置为利用全连接神经网络对所述问题特征进行处理得到所述动态卷积核。

在本公开实施例中，所述特征获取模块还配置为利用第一模型提取所述目标图像的图像特征，以及利用第二模型提取所述目标问题中的问题特征。

在本公开实施例中，所述第一模型包括深度卷积网络模型，所述第二模型包括循环神经网络模型。

在本公开实施例中，所述装置还包括：

输入模块，其配置为从存储的图像数据中获取目标图像，和/或接收传输的目标图像；并配置为接收输入的目标问题，和/或识别目标图像中的目标问题。

根据本公开实施例的第三方面，提供了一种电子设备，其包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述实施例中任意一项所述的方法。

根据本公开实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述实施例中任意一项所述的方法。

在本公开实施例中，在获取图像特征和问题特征之后，则根据问题特征确定动态卷积核来执行图像特征的卷积操作，由于在动态卷积核中融合了问题特征，因此生成的融合特征(视觉特征)中能紧密融合图像和问题信息，提高了对于答案的识别精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种基于图像的问答处理方法的流程图；

图2示出根据本公开实施例的卷积模组的框图；

图3示出根据本公开实施例的基于图像的问答处理方法中步骤s300的流程图；

图4示出根据本公开实施例的各卷积模组依次顺序连接构成直线型连接结构的框图；

图5示出根据本公开实施例的通过各卷积模组执行卷积操作的流程图；

图6示出根据本公开实施例的基于所述融合特征确定所述目标图像中针对所述目标问题的答案的流程图；

图7示出根据本公开实施例的基于图像的问答处理方法的过程示意图；

图8示出根据本公开实施例的一种基于图像的问答处理装置的框图；

图9示出根据本公开实施例的一种电子设备的框图；

图10示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了基于图像的问答处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种基于图像的问答处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

本公开实施例提供了一种基于图像的问答处理方法，该方法可以应用在计算机视觉领域，并用于处理基于图像的问答的问题。本公开实施例可以根据获取的问题特征确定执行卷积操作的动态卷积核，由于该动态卷积核中包括了与问题有关的特征信息，则可以在执行卷积操作时，有效的融合问题特征和图像特征，从而获得的视觉特征则可以提高答案的识别精度。

图1示出根据本公开实施例的一种基于图像的问答处理方法的流程图，其中如图1所示，该基于图像的问答处理方法可以包括：

s100：获取目标图像的图像特征，以及获取目标问题的问题特征，其中所述目标问题为针对所述目标图像的问题；

s200：基于所述问题特征确定动态卷积核，并基于所述动态卷积核对所述图像特征执行卷积操作获得融合特征；

s300：基于所述融合特征确定所述目标图像中针对所述目标问题的答案。

本公开实施例中的基于图像的问答处理方法可以根据获取的图像和问题，得到图像中关于该问题的答案。该问题可以是关于图像中某一对象的数量、颜色、状态或者其他信息的问题，如在包括自行车的图像中，该问题可以为包括几辆自行车，或者自行车为什么颜色等等。通过本公开实施例提供的方法可以识别图像中关于问题的答案。上述示例仅为本公开实施例的应用的举例，不作为本公开实施例的限制。

下面对本公开实施例进行详细说明。首先可以获取目标图像以及针对该目标图像的目标问题。其中目标图像至少包括一个图片，目标问题至少包括一个问题，即本公开实施例中图像和问题的数量可以不进行限制，其中可以是一个图像对应多个问题，或者多个图像对应一个问题，或者也可以是其他形式。针对上述情况，本公开实施例对于问题特征和图像特征的处理方式基本相同。

其中，本公开实施例中获取目标图像的方式可以包括：从存储的图像数据中获取目标图像，和/或接收传输的目标图像。即，本公开实施例中的目标图像可以是基于存储的图像数据中选择出的图像，其中可以通过输入组件接收用户输入的选择信息，并根据选择信息来确定选择的目标图像，输入组件可以包括触控屏、触控板、键盘、音频输入器等中的至少一种，在其他实施例中输入组件也可以包括其他器件以执行选择信息的输入和接收。另外，本公开实施例中也可以通过与其他电子设备通信来获取目标图像，如通过有线通信模块和/或无线通信模块来接收传输的目标图像，其中，无线通信模块可以通过蓝牙、wifi、nfc等方式实现数据的传输，无线通信模块可以通过光纤、同轴线缆或者其他有线线缆来实现数据的传输。

另外，本公开实施例中，获取目标问题的方式可以包括：接收输入的目标问题，和/或识别目标图像中的目标问题。同样的，本公开实施例中的目标问题可以是基于输入组件输入的信息或者也可以是基于有线通信模块和/或无线通信模块接收的信息。另外，目标问题也可以包括在目标图像中，或者目标问题也可以为图片形式，此时可以通过文字识别的方式识别图片中的目标问题。

在获取目标图像和目标问题后，则可以通过步骤s100获取目标图像中的图像特征以及目标问题中的问题特征。其中图像特征和问题特征分别可以按照矩阵的形式表示，图像特征可以包括目标图像各像素点的灰度值等参数，问题特征可以包括目标问题中的语言信息等。

其中，本公开实施例中，所述获取目标图像的图像特征，以及获取针对所述目标图像的目标问题的问题特征可以包括：利用第一模型提取所述目标图像的图像特征，以及利用第二模型提取所述目标问题中的问题特征。其中第一模型可以包括深度卷积网络模型，第二模型可以包括循环神经网络模型，即可以利用深度卷积网络模型提取目标图像中的特征信息，得到图像特征，以及可以利用循环神经网络模型提取目标问题中的语言信息，得到问题特征。本公开实施例中的第一模型和第二模型也可以是其他类型的机器学习网络模型。

另外，在本公开的其他实施例中，也可以通过第一预设算法识别目标图像中的图像特征，例如该第一预设算法可以包括基于小波矩的算法和基于分形特征的算法等，只要能够识别出目标图像中的图像特征的方法都可以应用于本公开实施例。同时也可以通过第二预设算法获取目标问题中的问题特征，其中第二预设算法可以包括文字识别算法、文字切分算法等等。

在获取了图像特征和问题特征后，可以执行步骤s200，即可以基于问题特征确定执行卷积操作的动态卷积核。卷积核为在给定输入图像进行图像处理时，在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均，其中权值由一个函数定义，这个函数称为卷积核。本公开实施例可以根据问题特征确定卷积核的相关参数，最终用于形成与问题特征相关的动态卷积核，从而在执行图像特征的卷积操作时，可以将问题特征和图像特征有效的进行融合，使得得到的融合特征保留目标图像的空间信息，同时紧密融合了问题信息。

在本公开实施例中，可以利用全连接神经网络对所述问题特征进行处理得到所述动态卷积核。即可以通过全连接的方式对问题特征进行处理，得到动态卷积核。通过第二模型得到的问题特征可以是一维矩阵形式，通过全连接的方式得到的动态卷积核可以为多维矩阵形式，如二维或者三维。在确定动态卷积核之后，则可以根据该动态卷积和执行图像特征的卷积操作，从而获得融合了问题信息和图像信息的融合特征。通过对该融合特征进行分类学习则可以获得目标图像中针对目标问题的答案信息。

其中，可以将融合特征输入至经训练后的分类器或者分类模块中，并利用分类模块对应的分类模型对融合特征进行分类学习，最终得到目标问题的答案。其中分类模型可以包括深度学习神经网络模型，其中该模型可以是经过训练完成的具有高识别精度的分类模型。

基于上述，即可以完成目标图像中针对目标问题的答案的识别，其中在执行卷积操作时，可以根据问题特征获取执行卷积操作的卷积核，从而可以使得问题特征和图像特征能够有效的融合在一起，而不是通过双线性的方式执行特征的融合，可以提高识别精度，即提高预测的准确性。

为了清楚地说明本公开实施例，下面分别对本公开实施例进行详细说明。

如上所述，在确定动态卷积核之后，即可以通过该动态卷积核执行图像特征的卷积操作，本公开实施例中可以将动态卷积核与图像特征输入至卷积模组中，通过卷积模组则可以执行上述卷积操作。其中，本公开实施例可以包括至少一个卷积模组，在包括一个卷积模组时，则通过该卷积模组基于动态卷积核执行图像特征的卷积操作获得融合特征。而在包括多个卷积模组时，该多个卷积模组可以顺序地依次连接，构成直线型连接结构，从而可以根据该直线型连接结构上的各卷积操作依次根据动态卷积核执行卷积操作获得融合特征。

图2示出根据本公开实施例的卷积模组的框图，其中，本公开实施例中的卷积模组可以包括至少一个卷积单元组，通过该至少一个卷积单元组可以执行相应地卷积操作。图2示出包括8个卷积单元组，在本公开的其他实施例中可以包括任意数量的卷积单元组，本公开对此不进行限制。另外，每个卷积单元组内可以包括至少一个卷积单元(a1、a2、a3…)，图2示出三个卷积单元，但不作为本公开实施例的限制，其他实施例中的卷积单元的数量可以根据需求设定。每个卷积单元组内的各卷积单元可以依次顺序连接，并且输入至卷积模组的输入数据可以被分配成多组特征子数据，每个卷积单元组的第一个卷积单元a1可以对接收的特征子数据执行卷积操作，并可以将卷积结果输出至第二个卷积单元a2，后面的每个卷积单元则可以根据前一卷积单元的卷积结果进一步执行卷积操作，最终通过最后一个卷积单元获得第一特征数据。这里输入至卷积模组的输入数据可以包括图像特征或者是前一卷积模组的输出结果。获得的第一特征数据可以用于确定最终的融合特征，也可以是输出至下一卷积模组的输入数据。其中，在本公开实施例只包括一个卷积模组时，该卷积模组的输入数据即为图像特征，输出的第一特征数据即为融合特征。在包括多个卷积模组时，卷积模组的输入数据可以为图像特征或者前一卷积模组输出的输出结果，且各卷积模组输出的第一特征数据可以用于确定融合特征。

本公开实施例中，各卷积模组中可以至少存在一个卷积单元组利用动态卷积核执行卷积操作，例如可以只有一个卷积单元组利用动态卷积核执行卷积操作，或者也可以全部卷积单元组都利用该动态卷积核执行卷积操作，或者也可以为一部分卷积单元组利用动态卷积核执行卷积操作。例如图2中，第一个卷积单元组则为利用动态卷积核执行卷积操作，在利用动态卷积核执行卷积操作的卷积单元组以外的卷积单元组，可以利用预设卷积核执行卷积操作，该预设卷积核可以是对应的卷积单元组经反向传播计算确定的卷积核，如可以为静态卷积核，或者也可以是预先配置的卷积核。基于该配置可以实现卷积模组中至少一部分卷积单元组可以利用动态卷积核执行卷积操作，从而可以实现问题特征和图像特征的融合，同时还可以解决由于动态卷积核中引入了问题特征所带来的运算量大的问题，提高了运算速度。进一步地，在利用动态卷积核执行卷积操作的卷积单元组中，可以至少有一个卷积单元利用该动态卷积核执行卷积操作，这样可以进一步减少运算量提高运算精度。

另外，如上所述，本公开实施例中也可以包括多个卷积模组，该多个卷积模组可以依次顺序连接形成直线型结构，并可以依次通过各卷积模组利用动态卷积核执行卷积操作。其中第一卷积模组的输入数据可以为图像特征，其可以利用动态卷积核执行图像特征的卷积操作，得到第一输出结果，而后第二个卷积模组则可以根据动态卷积核执行第一输出结果的卷积操作，依次类推，通过最后一个卷积模组输出融合特征。图3示出根据本公开实施例的基于图像的问答处理方法步骤s300的流程图，其中步骤s300可以包括：

s301：将所述动态卷积核分别输入至n个卷积模组，其中各卷积模组依次顺序连接构成直线型连接结构，其中n为大于1的整数；

s302：通过所述直线型连接结构中的第一个卷积模组基于所述动态卷积核执行所述图像特征的卷积操作，得到第一输出结果；

s303：通过所述直线型连接结构中的第i个卷积模组基于所述动态卷积核执行第i-1个卷积模组的输出结果的卷积操作，并通过第n个卷积模组获得所述融合特征，其中i为大于1且小于或者等于n的整数。

图4示出根据本公开实施例的各卷积模组依次顺序连接构成直线型连接结构的框图。其中该直线型连接结构可以包括多个顺序连接的卷积模组(qghc模组)，如可以包括3个卷积模组b、c和d，在本公开的其他实施例中，也可以包括其他数量的卷积模组，如也可以为1个卷积模组，或者多于1个卷积模组。

其中，可以分别将步骤s200获得的动态卷积核输入至各卷积模组b、c、d中，以通过卷积模组根据该动态卷积核执行相应的卷积操作。其中卷积模组b可以接收步骤s100中获取的图像特征，并利用输入的动态卷积核执行图像特征的卷积操作，其中，卷积模组b中可以利用至少一组卷积单元组来利用动态卷积核执行图像特征的卷积操作，其余卷积单元组利用预设卷积核执行卷积操作，预设卷积核与问题特征无关。继而卷积模组c可以利用动态卷积核执行第一输出结果的卷积操作得到第二输出结果，同样的卷积模组c中可以利用至少一组卷积单元组来利用动态卷积核执行第一输出结果的卷积操作，其余卷积单元组利用预设卷积核执行卷积操作，预设卷积核与问题特征无关。最后卷积模组d可以利用动态卷积核执行第二输出结果的卷积操作得到融合特征，同样的卷积模组d中可以利用至少一组卷积单元组来利用动态卷积核执行第二输出结果的卷积操作，其余卷积单元组利用预设卷积核执行卷积操作，预设卷积核与问题特征无关。

由于本公开实施例可以通过多个卷积模组的多次卷积操作，可以充分的融合图像和问题特征，提高了预设问题答案的准确度。同时每个卷积模组可以部分卷积单元利用动态卷积核执行卷积操作，减少了运算量并提高了运算速度。

如上所述，本公开实施例中的各所述卷积模组包括至少一个卷积单元组，图5示出根据本公开实施例中通过各卷积模组执行卷积操作的流程图，其中通过各卷积模组执行卷积操作可以包括：

s3001：将输入至卷积模组的输入数据划分成至少一组特征子数据，所述特征子数据的组数与所述卷积单元组的组数对应，并且所述输入数据包括所述图像特征或者包括该卷积模组的前一个卷积模组的输出结果；

s3002：将各组特征子数据分别对应地分配给各卷积单元组，且将动态卷积核分配给至少一个卷积单元组，该被分配动态卷积核的至少一个卷积单元组以外的各卷积单元组被分配预设卷积核；

s3003：通过各卷积单元组基于分配的动态卷积核或者预设卷积核对输入的特征子数据执行卷积操作。

即每个卷积模组在接收到输入数据时，可以根据其内的卷积单元组的组数将输入数据分成对应组数的特征子数据，通过该方式可以对输入数据执行降维处理，从而可以进一步减小数据量方便运算。

卷积模组中至少存在一个卷积单元组利用动态卷积核执行卷积操作，且该卷积单元组中也至少存在一个卷积单元利用该动态卷积核执行卷积操作，其余卷积单元或者卷积单元组利用预设卷积核执行卷积操作，最终获得卷积结果。

另外，为了加强问题特征和图像特征之间的融合，可以在各卷积单元组执行卷积操作时，通过特征混合单元执行对应结果的混合。图5示出根据本公开实施例中步骤s3003的流程图，其中还可以包括：

s30031：从利用动态卷积核执行卷积操作的卷积单元组获得的第一特征数据中选择出第一部分数据，所述第一特征数据为利用所述动态卷积核执行卷积操作的卷积单元生成的数据；

s30032：将利用预设卷积核执行卷积操作的卷积单元组获得的第二特征数据的第二部分数据替换成所述第一部分数据，获得第三特征数据；

s30033：基于所述第一特征数据和第三特征数据得到对应卷积模组的输出结果。

如图2示出，在每个卷积单元组内的第二个卷积单元a2和第三个卷积单元a3之间还可以包括特征混合单元a4，其中，第一个卷积单元组内的第二个卷积单元a2输出结果为第一特征数据，第二个卷积单元组和第三个单元组输出结果为第二特征数据，这里需要说明的是，本公开实施例中可以将利用动态卷积核执行卷积操作的卷积单元组获得的结果统称为第一特征数据，即第一特征数据为利用所述动态卷积核执行卷积操作的卷积单元生成的数据。以及将利用预设卷积核执行卷积操作的卷积单元组获得的结果统称为第二特征数据，其中每个卷积单元所获得的第一特征数据和第二特征数据可以不同，这里只是用于区分动态卷积核与预设卷积核执行卷积操作的结果。其中，为了提高问题和图像特征的融合度，可以将该特征混合单元可以从第1个卷积单元组中的卷积单元a2获得的第一特征数据中选择出第一部分数据，并将该第一部分数据替换给将2个卷积单元组和第三个卷积单元组a3输出的第二特征数据的一部分形成第三特征数据，从而可以使得其余利用预设卷积核执行卷积操作的卷积单元组中也可以包括问题信息相关的特征，即第三特征数据中也可以包括问题信息相关的特征。继而可以根据每组的第三个卷积单元a3分别执行第一特征数据和第三特征数据的卷积操作，获得融合特征。

其中，在本公开实施例中，各卷积模组中的卷积单元组内的卷积单元的个数可以相同也可以不同，在执行上述步骤s30032-s30033时，可以利用相同层级的卷积单元执行上述步骤，该相同层级中至少包括一个卷积单元利用动态卷积核执行卷积操作，从而可以将包括问题特征的部分数据替换给其余卷积单元输出的特征数据。在本公开的其他实施例中，也可以是利用不同层级的卷积单元执行上述步骤，同样的，该不同层级的卷积单元中至少包括一个卷积单元利用动态卷积核执行卷积操作，从而可以将包括问题特征的部分数据替换给其余卷积单元输出的特征数据。并且在替换部分数据后，可以利用后续的卷积单元继续执行卷积操作，最终得到对应卷积模组的输出结果。

通过上述配置，可以将融合了问题特征的数据替换到其余使用静态卷积核执行卷积操作的卷积单元组中，在不需要同时利用动态卷积核的卷积操作的情况下，极大效率的提高了运算速度，同时有效的实现特征融合，提高预测精度。

另外，在本公开实施例中，卷积模组内的每个卷积单元组都可以被分配动态卷积核，即卷积模组内的每个卷积单元组都可以利用动态卷积核执行对应输入的特征子数据的卷积操作。并且，每个卷积单元组中至少一个卷积单元利用该动态卷积核执行卷积操作。此时，通过各所述卷积模组执行卷积操作可以包括：

将输入至卷积模组的输入数据划分成至少一组特征子数据，所述特征子数据的组数与所述卷积单元组的组数对应，并且所述输入数据包括所述图像特征或者包括该卷积模组的前一个卷积模组的输出结果；

将各组特征子数据分别对应地分配给各卷积单元组，且将动态卷积核分别分配给各卷积单元组；

通过各卷积单元组基于分配的动态卷积核对输入的特征子数据执行卷积操作。

如上所述，本公开实施例的各卷积模组中的各卷积单元组都可以被分配动态卷积核，即每个卷积单元组利用动态卷积核执行对应特征子数据的卷积操作后得到的特征数据中都可以包括问题信息和图像信息，最终通过各卷积单元组输出的特征数据得到的输出结果可以充分的融合问题特征和图像特征。并且，通过各卷积单元组基于分配的动态卷积核对输入的特征子数据执行卷积操作可以包括获取各卷积单元组输出的特征数据，以及基于各卷积单元组输出的特征数据获得对应卷积模组的输出结果。该输出结果中可以融合了图像信息和问题信息，最终可以通过最后一个卷积模组获得的输出结果得到融合特征。

其中基于各卷积单元组输出的特征数据获得对应卷积模组的输出结果可以包括将各卷积单元组输出的特征数据连接组合形成输出结果，也可以包括：将其中一个卷积单元组输出的特征数据中的一部分数据替换给其余卷积单元组输出的特征数据，从而利用替换后的特征数据的组合形成输出结果，最终通过最后一个卷积模组获得的输出结果得到融合特征。通过该配置可以更加有效的融合问题信息和图像信息，提高答案的预测精度。

在获得了融合特征后，则可以利用分类模块对应的预设的分类模型对所述融合特征进行分析识别，获得针对所述目标问题的答案。其中该分类模型可以包括深度学习网络模型，其可以对输入的融合特征进行分类训练，最终获得针对目标问题的答案信息。本领域技术人员可以根据不同的设定或者需求构建分类模型，即可以利用现有技术手段实现分类模型的功能结构，对此本公开实施例不进行详细说明。

另外，在利用融合特征进行分类学习之前还可以根据为融合特征确定的权值，对融合特征进行运算，以进一步提高预测精度。

其中，图6示出根据本公开实施例中的基于所述融合特征确定所述目标图像中针对所述目标问题的答案的流程图，即本公开实施例中的步骤s300可以包括：

s304：获得与所述融合特征对应的注意力权重矩阵；

s305：基于所述注意力权重矩阵对所述融合特征的对应特征加权求和；

s306：利用预设的分类模型对加权求和后的融合特征进行分析识别，获得针对所述目标问题的答案。

本公开实施例中，注意力权重矩阵中的各个参数表示融合特征中各参数的权重值，其中，可以将卷积模组输出的融合特征在不同图像区域上依次与问题特征进行相加操作，然后采用1乘1的卷积核和softmax运算，将加法结果映射为注意力权重矩阵。即本公开实施例中的注意力权重矩阵可以通过融合特征与问题特征的对应相加运算获得。其中该问题特征可以是基于目标问题线性化处理后获得的，也可以为通过循环神经网络获得的，本公开对此不进行限定。

在确定了注意力权重矩阵后即可以执行将注意力权重矩阵的权重与融合特征进行加权求和，从而可以得到优化的融合特征。继而可以利用分类模型对该优化的融合特征进行分析识别，获得针对所述目标问题的答案。其中，由于利用注意力权重矩阵来表示融合特征各参数的权重，在根据该注意力权重对融合特征优化后进行识别分类，可以进一步提高预测精度。

为了更加完整清楚的体现本公开实施例，下面结合图7对本公开实施例进行举例说明，图7示出根据本公开实施例的基于图像的问答处理方法的过程示意图。

其中，首先获取目标图像和目标问题，其中目标问题为“包括几辆自行车”。在获取目标图像和目标问题后可以利用第一模型获得对应于目标图像的图像特征，以及利用第二模型获得对应于目标问题的问题特征。继而基于问题特征获得动态卷积核，并分别将该动态卷积核输入至三个卷积模组b、c、d。通过卷积模组b基于动态卷积核执行图像特征的卷积操作获得第一输出结果，利用卷积模组b基于动态卷积核执行第一输出结果的卷积操作得到第二输出结果，利用卷积模组c基于动态卷积核执行第二输出结果的卷积操作得到融合特征。其中各卷积模组还可以引入预设卷积核以减少运算量。在获得融合特征后则可以基于融合特征与线性处理后的问题特征得到注意力权重矩阵，基于该注意力权重矩阵与融合特征的加权求和得到优化的融合特征，继而利用分类模型这行优化的融合特征的分类学习，得到针对目标问题的答案“2”。以上仅为本公开实施例的一个示例性说明，并不作为本公开实施例的限制。

综上所述，本公开实施例中，获取图像特征和问题特征之后，则根据问题特征确定动态卷积核来执行图像特征的卷积操作，由于在动态卷积核中融合了问题特征，因此生成的融合特征(视觉特征)中能紧密融合图像和问题信息，提高了对于目标问题的答案的识别精度。另外，本公开实施例中的卷积模组可以引入与问题无关的预设卷积核，可以在保证图像和问题的紧密融合的前提下，还可以减少运算量，节省运算时间。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图8示出根据本公开实施例的一种基于图像的问答处理装置装置的框图，如图8所示，所述基于图像的问答处理装置可以包括：

特征获取模块10，其配置为获取目标图像的图像特征，以及获取目标问题的问题特征，其中所述目标问题为针对所述目标图像的问题；

特征融合模块20，其配置为基于所述问题特征确定动态卷积核，并基于所述动态卷积核对所述图像特征执行卷积操作获得融合特征；

确定模块30，其配置为基于所述融合特征确定所述目标图像中针对所述目标问题的答案。

在本公开实施例中，所述特征融合模块包括n个卷积模组，各卷积模组依次顺序连接构成直线型连接结构，其中n为大于1的整数；并且

所述特征融合模块还配置为将所述动态卷积核分别输入至n个卷积模组，并通过所述直线型连接结构中的第一个卷积模组基于所述动态卷积核执行所述图像特征的卷积操作，得到第一输出结果；以及

通过所述直线型连接结构中的第i个卷积模组基于所述动态卷积核执行第i-1个卷积模组的输出结果的卷积操作，并通过第n个卷积模组获得所述融合特征，其中i为大于1且小于或者等于n的整数。

在本公开实施例中，各所述卷积模组包括至少一个卷积单元组；

并且，所述特征融合模块进一步配置为将输入至各卷积模组的输入数据划分成至少一组特征子数据，并将各组特征子数据分别对应地分配给各卷积单元组，且将动态卷积核分配给至少一个卷积单元组，以通过各卷积单元组基于分配的动态卷积核或者预设卷积核对输入的特征子数据执行卷积操作；

其中，被分配动态卷积核的至少一个卷积单元组以外的各卷积单元组被分配预设卷积核；

并且，所述特征子数据的组数与所述卷积单元组的组数对应，所述输入数据包括所述图像特征或者包括该卷积模组的前一个卷积模组的输出结果。

在本公开实施例中，所述特征融合模块还配置为从利用动态卷积核执行卷积操作的卷积单元组获得的第一特征数据中选择出第一部分数据，所述第一特征数据为利用所述动态卷积核执行卷积操作的卷积单元生成的数据；

将利用预设卷积核执行卷积操作的卷积单元组获得的第二特征数据的第二部分数据替换成所述第一部分数据，获得第三特征数据；

基于所述第一特征数据和第三特征数据得到对应卷积模组的输出结果。

在本公开实施例中，各所述卷积模组包括至少一个卷积单元组；

所述特征融合模块进一步配置为将输入至各卷积模组的输入数据划分成至少一组特征子数据，并将各组特征子数据分别对应地分配给各卷积单元组，且将动态卷积核分别分配给各卷积单元组，以通过各卷积单元组基于分配的动态卷积核对输入的特征子数据执行卷积操作；

其中，所述特征子数据的组数与所述卷积单元组的组数对应，并且所述输入数据包括所述图像特征或者包括该卷积模组的前一个卷积模组的输出结果。

在本公开实施例中，所述特征融合模块还配置为基于各卷积单元组输出的特征数据获得对应卷积模组的输出结果。

在本公开实施例中，所述确定模块还配置为利用预设的分类模型对所述融合特征进行分析识别，获得针对所述目标问题的答案。

在本公开实施例中，所述确定模块还配置为获得与所述融合特征对应的注意力权重矩阵，并基于所述注意力权重矩阵对所述融合特征的对应特征加权求和，以及利用预设的分类模型对加权求和后的融合特征进行分析识别，获得针对所述目标问题的答案。

在本公开实施例中，所述预设的分类模型包括深度学习神经网络模型。

在本公开实施例中，所述特征融合模块还配置为利用全连接神经网络对所述问题特征进行处理得到所述动态卷积核。

在本公开实施例中，所述特征获取模块还配置为利用第一模型提取所述目标图像的图像特征，以及利用第二模型提取所述目标问题中的问题特征。

在本公开实施例中，所述第一模型包括深度卷积网络模型，所述第二模型包括循环神经网络模型。

在本公开实施例中，所述装置还包括：

输入模块，其配置为从存储的图像数据中获取目标图像，和/或接收传输的目标图像；并配置为接收输入的目标问题，和/或识别目标图像中的目标问题。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

图9是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图9，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图10是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图10，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、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的例子(非穷举的列表)包括：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)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网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、光纤传输、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卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机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、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，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)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。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。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/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、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。