特征编码方法、解码方法及相关设备与流程

1.本技术涉及图像编解码技术领域，特别是涉及一种特征编码方法、解码方法、电子设备及计算机可读存储介质。


背景技术：

2.在人工智能领域，经常涉及到目标(图像、语音、文本等等)的识别，而在进行目标识别之前，需要将目标从采集端(又称编码端)传输到识别端(又称解码端)，相关技术中有两种传输方式，一种是将目标作为传输对象，在采集端对目标编码，将目标编码结果传输至识别端，在识别端对解码结果解码得到目标。另一种是考虑到目标识别是基于目标的特征进行的，因此先对目标进行特征提取，得到目标的特征，将目标的特征作为传输对象，在采集端对目标的特征编码，对特征编码结果传输至识别端，在识别端对解码结果解码得到目标的特征。前者传输方式传输效率较低，影响目标识别的效率。后者传输方式传输效率较高，但是现有实现后者传输方式的特征编码方法，对特征的编码的准确度仍然不够高。


技术实现要素：

3.本技术提供一种特征编码方法、解码方法、电子设备及计算机可读存储介质，能够解决现有的特征编码方法对特征的编码的准确度不够高的问题。
4.为解决上述技术问题，本技术采用的一个技术方案是：提供一种特征编码方法。该方法包括：基于预设向量维度，将待编码特征变换成多个待量化特征；利用预先训练的至少两个码本，分别对各个所述待量化特征进行量化，得到各个待量化特征各自对应的量化特征；对各个量化特征组成的目标量化向量进行编码，得到编码特征，其中，目标量化向量的维度与预设向量维度相同。
5.为解决上述技术问题，本技术采用的另一个技术方案是：提供一种特征解码方法。该方法包括：获取编码特征；对编码特征解码，得到目标量化向量；分别基于目标量化向量包括的各个量化特征，从对应的码本中确定反量化特征；将各个反量化特征反变换成解码特征；其中，编码特征是基于前述编码方法得到的。
6.为解决上述技术问题，本技术采用的另一个技术方案是：提供一种电子设备，该电子设备包括处理器、与处理器连接的存储器，其中，存储器存储有程序指令；处理器用于执行存储器存储的程序指令以实现上述方法。
7.为解决上述技术问题，本技术采用的又一个技术方案是：提供一种计算机可读存储介质，存储有程序指令，该程序指令被执行时能够实现上述方法。
8.通过上述方式，本技术将待编码特征变换成多个待量化特征，利用预先训练的至少两个码本，分别对各个待量化特征进行量化，得到各个待量化特征各自对应的量化特征，对各个量化特征组成的目标量化向量编码得到编码特征。从而，本技术未直接对待编码特征进行码本量化，而是将待编码特征变换成的多个待量化特征进行多码本量化，因此能够更加充分地发挥码本量化的作用，提高待编码特征的量化精细度、降低量化误差，提高特征
编码的准确度。
附图说明
9.图1是本技术特征编码方法一实施例的流程示意图；
10.图2是非均匀量化的示意图；
11.图3是码本量化的示意图；
12.图4是本技术特征编码方法另一实施例的流程示意图；
13.图5是对待编码特征进行变换的一示意图；
14.图6是对待编码特征进行变换的另一示意图；
15.图7是对待编码特征进行变换的又一示意图；
16.图8是对待编码特征进行变换的又一示意图；
17.图9是本技术特征编码方法又一实施例的流程示意图；
18.图10是对待编码特征进行第一空间变换的一示意图；
19.图11是对待编码特征进行第二空间变换的示意图；
20.图12是对待编码特征进行第一空间变换的另一示意图；
21.图13是本技术特征编码方法又一实施例的流程示意图；
22.图14是本技术编码网络的结构示意图；
23.图15是本技术特征编码方法又一实施例的流程示意图；
24.图16是量化模块的训练示意图；
25.图17是量化模块的一结构示意图；
26.图18是本技术特征解码方法一实施例的流程示意图；
27.图19是本技术电子设备一实施例的结构示意图；
28.图20是本技术计算机可读存储介质一实施例的结构示意图。
具体实施方式
29.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
30.本技术中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
31.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。
32.图1是本技术特征编码方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施例可以包括：
33.s11：基于预设向量维度，将待编码特征变换成多个待量化特征。
34.本技术方法实施例的执行主体是特征编码设备(编码端)，特征编码设备可以是任何具有特征编码能力的电子设备，如手机、电脑、图像处理设备、语音处理设备、文本处理设备，还可以是服务器，如物理服务器、云端服务器、分布式服务器。
35.待编码特征即目标的原始特征，可以是语音特征、图像特征、文本特征等等，待编码特征可以通过神经网络提取得到。语音特征可以用于语音识别，如通过语音识别人物身份、语音转文字。图像特征可以用于图像识别，如图像分类、目标检测、语义分割。文本特征可以用于文本识别，如文本翻译、文本概括等等。
36.待编码特征的变换方式可以包括空间变换、拆分、空间变换及拆分的组合等等。
37.s12：利用预先训练的至少两个码本，分别对各个待量化特征进行量化，得到各个待量化特征各自对应的量化特征。
38.码本的数量与待量化特征的数量可以相同，在此情况下待量化特征与码本一一对应，每个待量化特征对应不同标识的码本。码本的数量与待量化特征的数量也可以不相同，在此情况下至少两个待量化特征与同一标识的码本对应。一个待量化特征可以被其对应的码本量化为一个量化特征。
39.码本包括若干个可以用于衡量待量化特征的、且与待量化特征维度一致的码本特征，且码本中每个码本特征具有各自的索引值。利用码本对待量化特征量化，即在码本中查找与待量化特征最相似的码本特征，且用该最相似的码本特征表达待量化特征，进而将该最相似的码本特征的索引值作为对待量化特征量化的结果(量化特征)。
40.码本包括的码本特征的数量是基于量化特征的编码比特数确定的。例如，待量化特征i的量化结果为量化特征i，待量化特征i对应的码本i中码本特征的数量是基于量化特征i的编码比特数b确定的，且码本特征的数量mi＝2b。针对每个待量化特征，可以从对应的码本中选择与待量化特征相似度最大的一个码本特征，作为目标码本特征；将目标码本特征的索引值作为量化特征。与待量化特征相似度最大的特征可以是与待量化特征距离最近的码本特征，也可以是与待量化特征的加权求和结果最大的码本特征，当然也可以是其他方式选择的码本特征。
41.各个待量化特征对应的码本中码本特征的数量可以相同，相应地各个待量化特征对应的量化特征的编码比特数相同，即码本量化方式为均匀量化。或者，至少两个待量化特征对应的码本中码本特征的数量可以不同，相应地至少两个待量化特征对应的码本中码本特征的数量不同，即码本量化方式为非均匀量化。非均匀量化方式下，编码比特数越多/码本特征数量越多，编码精度越高，反之编码精度越低，从而码本量化的灵活度更高，相较于均匀量化更能够迎合用户需求，提高编码的准确度。
42.结合图2对非均匀量化举例说明，如图2所示，对待编码特征变换得到256个8维的待量化特征，待量化特征1～256分别对应码本1～256、量化特征1～256。量化特征1～64的编码比特数为2、码本1～64中码本特征的数量为22＝4、量化特征1～64的取值范围为{1,2,3,4}。量化特征65～128的编码比特数为4、码本65～128中码本特征的数量为24＝16、量化特征65～128的取值范围为{1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16}，量化特征129～256的编码比特数为1、码本129～256中码本特征的数量为21＝2、量化特征129～256的取值范围为{1,2}。同一码本中不同码本特征的维度相同，且同一码本中不同码本特征与其对应
的待量化特征的维度相同。
43.如下结合图3对s12举例说明：
44.如图3所示，对待编码特征变换得到256个8维的待量化特征，待量化特征1～256分别对应码本1～256，每个码本包括4个码本特征。码本1～256分别为{a
11
＝(a1，
…
，a8)，
…
，a
14
}；
…
；{a
2561
，
…
，a
2564
}。待量化特征1～256分别为x1＝(x1，
…
，x8)；
…
；x
256
。
45.在与待量化特征相似度最大的特征，是与待量化特征的加权求和结果最大的码本特征的情况下，可以计算各个待量化特征与对应的码本中各个码本特征的加权求和结果：
46.y
11
＝a
11
*x1＝a1*x1+
…
+a8*x8；
47.…
48.y
14
＝a
14
*x1；
49.…
50.y
2561
＝a
2561
*x
256
；
51.…
52.y
2564
＝a
2564
*x
256
。
53.对于x1，确定与其对应的y
11
～y
14
中最大的一者(例如y
14
)，将y
14
对应的码本特征a
14
作为目标码本特征，将a
14
的索引值4作为x1的量化特征。采用类似处理可以得到x2～x
256
的量化特征。
54.与待量化特征相似度最大的特征可以是与待量化特征距离最近的码本特征的情况下，可以计算各个待量化特征与对应的码本中各个码本特征的距离：
55.l
11
＝l(a
11
，x1)＝|a1-x1|+
…
+|a8-x8|；
56.…
57.l
14
＝l(a
14
，x1)；
58.…
59.l
2561
＝l(a
2561
，x256)；
60.…
61.l
2564
＝l(a
2564
，x256)。
62.对于x1，确定与其对应的l
11
～l
14
中最小的一者(例如l
14
)，将l
14
对应的码本特征a
14
作为目标码本特征，将a
14
的索引值4作为x1的量化特征。采用类似处理可以得到x2～x
256
的量化特征。
63.s13：对各个量化特征组成的目标量化向量进行编码，得到编码特征。
64.其中，目标量化向量的维度与预设向量维度相同。
65.一个待量化特征的量化结果为一个量化特征，因此各个量化特征组成的目标量化向量的维度与待量化特征的数量相同，预设向量维度与待量化特征的数量也相同。可以理解的是，相关技术中的特征编码方法，在码本量化阶段直接用一个码本对待编码特征进行量化，没有充分发挥码本量化的作用，存在量化精细度不足、量化误差大的问题，影响编码的准确度。
66.通过本实施例的实施，本技术将待编码特征变换成多个待量化特征，利用预先训练的至少两个码本，分别对各个待量化特征进行量化，得到各个待量化特征各自对应的量化特征，对各个量化特征组成的目标量化向量编码得到编码特征。从而，本技术未直接对待
编码特征进行码本量化，而是将待编码特征变换成的多个待量化特征进行多码本量化，因此能够更加充分地发挥码本量化的作用，提高待编码特征的量化精细度、降低量化误差，提高特征编码的准确度。
67.图4是本技术特征编码方法另一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图4所示的流程顺序为限。本实施例是对s11的进一步扩展，变换方式为至少一次拆分。如图4所示，本实施例可以包括：
68.s21：对待编码特征进行至少一次拆分处理。
69.其中首次拆分处理的拆分对象为待编码特征，其余拆分处理的拆分对象为前一次拆分过程的各个拆分结果，拆分处理为将拆分对象拆分成相加结果或者拼接结果等于拆分对象的至少两个拆分结果(即拆分处理得到的各个拆分结果的相加结果或者拼接结果为所拆分的拆分对象)。
70.s22：将至少一次拆分处理中最后一次拆分得到的各个拆分结果分别作为待量化特征。
71.如下结合图5～8对s21～s22举例说明(待编码特征的维度为d)：
72.如图5所示，对待编码特征进行一次拆分处理，得到待量化特征1～n，待量化特征1～n的维度分别为d1～dn，d1＝
…
＝dn＝d，待量化特征1～n的相加结果为待编码特征。
73.如图6所示，对待编码特征进行一次拆分处理，得到待量化特征1～n，待量化特征1～n的维度分别为d1～dn，d1+
…
+dn＝d，待量化特征1～n的拼接结果为待编码特征。
74.如图7所示，对待编码特征进行第一次拆分处理，得到中间特征1～n，中间特征1～n的维度分别为d1～dn，d1＝
…
＝dn＝d，中间特征1～n的相加结果为待编码特征；进一步分别对中间特征1～n进行第二次拆分处理，得到与中间特征1对应的待量化特征1_1～1_n1、
…
、与中间特征n对应的待量化特征n_1～1_nm，待量化特征1_1～1_n1的总维度等于中间特征1的维度d1、待量化特征1_1～1_n1的拼接结果为中间特征1，
…
，待量化特征n_1～1_nm的总维度等于中间特征n的维度dn，待量化特征n_1～1_nm的拼接结果为中间特征n。
75.如图8所示，对待编码特征进行第一次拆分处理，得到中间特征1～n，中间特征1～n的维度分别为d1～dn，d1+
…
+dn＝d，中间特征1～n的拼接结果为待编码特征；进一步分别对中间特征1～n进行第二次拆分处理，得到与中间特征1对应的待量化特征1_1～1_n1、
…
、与中间特征n对应的待量化特征n_1～1_nm，待量化特征1_1～1_n1的维度均等于中间特征1的维度d1、待量化特征1_1～1_n1的相加结果为中间特征1，
…
，待量化特征n_1～1_nm的维度均等于中间特征n的维度dn，待量化特征n_1～1_nm的相加结果为中间特征n。
76.图9是本技术特征编码方法又一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图9所示的流程顺序为限。本实施例是对s11的进一步扩展，变换方式为空间变换以及拆分的组合。如图9所示，本实施例可以包括：
77.s31：对待编码特征进行第一空间变换，得到第一空间变换后的待编码特征，或者对待编码特征进行第二空间变换，得到第二空间变换后的待编码特征。
78.第一空间变换后的待编码特征包括一个第一隐空间特征，第二空间变换后的待编码特征包括多个第二隐空间特征，第一隐空间特征的维度等于待编码特征的维度，多个第二隐空间特征的总维度等于待编码特征的维度。相对于第一空间变换来说，第二空间变换的误差更大，第二空间变换后的待编码特征用于码本量化，需要的量化程度更低；相对于第
二空间变换来说，第一空间变换的误差更小，需要的量化程度更高。
79.第一/第二空间变换会改变待编码特征所属的特征空间，即第一/第二空间变换后的待编码特征与空间变换前的待编码特征所属的特征空间不同。通过第一/第二空间变换，能够使得后续对待量化特征进行量化时，待量化特征得以充分压缩。
80.第一/第二空间变换可以通过空间变换模块实现，空间变换模块可以是任何类型的神经网络，例如全连接网络、卷积网络、全连接网络及卷积网络的组合。
81.如下结合图10～12对s31举例说明(待编码特征的维度为2048)：
82.如图10所示，利用全连接网络对待编码特征进行第一空间变换，使得待编码特征的维度降为256，即得到一个256维的第一隐空间特征。
83.如图11所示，利用全连接网络对待编码特征进行第二空间变换，得到256个8维的第二隐空间特征。
84.如图12所示，利用全连接网络和卷积网络对待编码特征进行第一空间变换，使得待编码特征的维度降为256，即得到一个256维的第一隐空间特征。
85.s32：对空间变换后的待编码特征进行至少一次拆分处理。
86.s33：将最后一次拆分得到的各个拆分结果分别作为待量化特征。
87.本实施例的其他详细描述，请参考前面的实施例，在此不赘述。
88.图13是本技术特征编码方法又一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图13所示的流程顺序为限。本实施例是对s11的进一步扩展，变换方式为空间变换以及拆分的组合。如图13所示，本实施例可以包括：
89.s41：对待编码特征进行第二空间变换，得到多个第二隐空间特征。
90.多个第二隐空间特征的总维度等于待编码特征的维度。
91.s42：将各个第二隐空间特征分别作为待量化特征。
92.本实施例的其他详细描述，请参考前面的实施例，在此不赘述。
93.进一步地，本技术的特征编码方法可以基于编码网络实现，结合参阅图14，编码网络可以包括变换模块、量化模块和编码模块。其中，变换模块可以用于基于预设向量维度，将待编码特征变换成多个待量化特征；量化模块可以用于利用预先训练的至少两个码本，分别对各个待量化特征进行量化，得到各个待量化特征各自对应的量化特征；编码模块可以用于对各个量化特征组成的目标量化向量进行编码，得到编码特征，其中，目标量化向量的维度与预设向量维度相同。
94.继续参阅图14，基于编码网络得到的编码特征还可以进一步由解码网络解码。解码网络可以包括解码模块(用于解码得到目标量化向量，与编码模块对应)、反量化模块(用于反量化得到反量化特征，与量化模块对应)和反变换模块(用于反变换得到解码特征，与变换模块对应)。
95.在将编码网络应用于特征编码方法之前，可以结合解码网络对编码网络进行训练。
96.其中，在训练阶段可以通过量化模块的输入(待量化样本)和反量化模块的输出(反量化样本)之间的损失、变换模块的输入(即待编码样本)与反变换模块的输出(解码样本)之间的损失训练编码网络。
97.编码网络的可训练参数包括变换模块的可训练参数、量化模块的可训练参数和编
码模块的可训练参数。
98.量化模块的可训练参数为各个码本中的各个码本特征。可以理解的是，同一应用场景或者同一目标识别任务下的待编码特征具有相似的特性，在训练阶段可以使用同一应用场景或者同一目标识别任务下的待编码样本对量化模块进行针对性训练，使得量化模块学习到同一应用场景或者同一目标识别任务下的特征特性，得到适用于该应用场景或目标识别任务的码本。从而在应用阶段，将码本用于对同一应用场景或者同一目标识别任务进行量化，能够使得编码过程将同一应用场景或者同一目标识别任务需要的信息保留，进而提高后续目标识别的准确度。
99.编码网络中各个模块的训练可以同步进行，即基于编码网络的整体输出和输出之间的整体损失(变换模块的输入和反变换模块的输出之间的损失)，调整编码网络中各个模块的参数。编码网络中各个模块的训练可以分步进行，即先训练编码网络的一部分模块，然后固定该已训练的一部分模块的可训练参数，再基于此训练另一部分模块。例如，先训练量化模块之外的各个模块，然后固定量化模块之外的各个模块的可训练参数，再基于此训练量化模块。
100.如下对同步进行的情况进行详细说明：
101.图15是本技术特征编码方法又一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图15所示的流程顺序为限。如图15所示，本实施例可以包括：
102.s51：通过变换模块基于预设向量维度，将待编码样本变换成多个待量化样本。
103.s52：通过量化模块利用至少两个码本，分别对各个待量化样本进行量化，得到各个待量化样本各自对应的量化样本。
104.s53：通过编码模块对各个量化样本组成的样本量化向量进行编码，得到编码样本。
105.s54：通过解码模块对编码样本进行解码，得到样本量化向量。
106.样本量化向量的维度与预设向量维度相同。
107.s55：通过反量化模块基于样本量化向量包括的各个量化样本，从对应的码本中确定反量化样本。
108.s56：通过反变换模块将各个反量化样本反变换成解码样本。
109.s57：基于解码样本和/或反量化样本，构建编码网络和解码网络的损失。
110.基于解码样本构建损失，即基于待编码样本与解码样本之间的差异构建损失(例如l2)。基于反量化样本构建编码网络的损失，即基于反量化样本和待量化样本之间的差异构建损失。在构建的损失有多个时，可以对多个损失进行加权处理得到最终的损失。
111.s58：基于损失调整编码网络的可训练参数。
112.在一些实施例中，还可以基于损失调整解码网络的可训练参数。
113.基于损失调整编码网络和/或解码网络的可训练参数，可以包括基于损失调整编码网络和/或解码网络中任一模块的参数。可训练参数的调整方法可以是基于深度学习的梯度反向传播算法，也可以是非深度学习算法。
114.在基于深度学习的梯度反向传播算法下，将编码网络和解码网络中变换模块
→
量化模块
→
编码模块
→
解码模块
→
反量化模块
→
反变换模块的方向称为正向路径，将反变换模块
→
反量化模块
→
解码模块
→
编码模块
→
量化模块
→
变换模块的方向称为反向路径。基
于此，从反向路径上的第一个模块为始、最后一个模块为终，依序基于损失获取各个模块的可训练参数的梯度，基于各个模块的可训练参数的梯度调整对应模块的可训练参数。其中基于损失获取模块的可训练参数的梯度，也即对损失求关于模块的可训练参数的偏导，得到该模块的可训练参数的梯度。
115.根据梯度反向传播的链式法则可知，在对损失求模块的可训练参数的偏导时，需要用到反向路径上该模块前面各个模块的梯度，具体请参考相关技术中梯度反向传播的原理，在此不赘述。例如，反变换模块、反量化模块、解码模块、编码模块、量化模块和变换模块的梯度依次为w6、w5、w4、w3、w2和w1，损失为e。对e求关于w6的偏导可以得到w6的梯度；对e求关于w5的偏导可以得到w5的梯度，且在对e求关于w5的偏导时需要用到w6的梯度；
…
；对e求关于w2的偏导可以得到w2的梯度，且在对e求关于w2的偏导时需要用到w3～w6的梯度；以此类推。
116.各个模块的处理是依据相应的函数实现的。以量化模块为例，量化模块的量化是依据量化函数实现的，量化函数的参数为量化模块的可训练参数，量化函数为第一量化函数或第二量化函数，第一量化函数的参数相对于损失可导(可以求损失关于第一量化函数的参数的偏导、到量化模块处，梯度可以继续反向传播)，第二量化函数的参数相对于损失不可导(无法求损失关于第一量化函数的参数的偏导、到量化模块处，梯度无法继续反向传播)。
117.结合参阅图16，在量化模块的量化依据第二量化函数实现的情况下，量化模块的训练可以通过非深度学习算法实现。编码网络中量化模块之外的其他模块的训练仍然可以基于深度学习的梯度反向传播算法实现，而梯度反向传播至量化模块时，可以直接将反向路径上量化模块之前的模块(例如编码模块)的梯度，作为量化模块的梯度，也即是将量化模块的输出q处的梯度拷贝至量化模块的输入p处，以用于变换模块的梯度获取、变换模块的训练。由此，针对变换模块的训练可以包括：基于损失获取编码模块的梯度；将编码模块的梯度作为量化模块的梯度；基于量化模块的梯度，获取变换模块的梯度；基于变换模块的梯度，调整变换模块的可训练参数。从而，即使量化模块的可训练参数相对于损失不可导、梯度在量化模块处无法反向传播，也能够通过梯度拷贝的方法实现变换模块的训练，进而实现编码网络的端对端训练，提升编码网络的性能。
118.在量化模块的量化依据第一量化函数实现的情况下，量化模块的训练可以通过基于深度学习的梯度反向传播算法实现。可以对损失求关于第一量化函数的参数的偏导，得到量化模块的梯度；基于量化模块的梯度，调整量化模块的可训练参数。量化模块训练好之后即可得到各个码本。进一步，变换模块的训练也可以通过基于深度学习的梯度反向传播算法实现。即可以进一步基于量化模块的梯度，获取变换模块的梯度；基于变换模块的梯度，调整变换模块的可训练参数。
119.如下结合图17，对量化模块的量化函数为第一量化函数的情况举例说明：
120.量化模块为全连接层，量化模块的输入为待量化特征y＝(y1，
…
，yn)、输出为量化特征x＝(x1，
…
，xn)。量化模块的可训练参数可以表示为：
121.122.其中w2_kj表示第k(属于1～n)个待量化特征xi与第j(属于1～n)个待量化特征yj之间的可训练参数(码本特征中的值)。
123.第一量化函数为：
[0124][0125]
图18是本技术特征解码方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图18所示的流程顺序为限。
[0126]
如图18所示，本实施例可以包括：
[0127]
s61：获取编码特征。
[0128]
其中，编码特征是前面任一实施例提供的编码方法得到的。
[0129]
本实施例的执行主体为特征解码设备(解码端)，特征解码设备与特征编码设备类似，在此不赘述。
[0130]
s62：对编码特征解码，得到目标量化向量。
[0131]
s63：分别基于目标量化向量包括的各个量化特征，从对应的码本中确定反量化特征。
[0132]
s64：将各个反量化特征反变换成解码特征。
[0133]
本实施例的详细描述，请参考前面的实施例，在此不赘述。
[0134]
通过本实施例的实施，由于在编码过程用多个码本对待编码特征量化，与编码过程相对应地，对编码特征解码得到目标量化向量，分别基于目标量化向量包括的各个量化特征，从对应的码本中确定反量化特征，将各个反量化特征反变换成解码特征。因此在解码过程，能够得到准确度更高的解码特征，提高解码的准确度。
[0135]
图19是本技术电子设备一实施例的结构示意图。如图19所示，该电子设备包括处理器21、与处理器21耦接的存储器22。
[0136]
其中，存储器22存储有用于实现上述任一实施例的方法的程序指令；处理器21用于执行存储器22存储的程序指令以实现上述方法实施例的步骤。其中，处理器21还可以称为cpu(central processing unit，中央处理单元)。处理器21可能是一种集成电路芯片，具有信号的处理能力。处理器21还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0137]
电子设备可以是前述具有特征编码能力的特征编码设备，还可以是前述具有特征解码能力的特征解码设备。
[0138]
图20是本技术计算机可读存储介质一实施例的结构示意图。如图20所示，本技术实施例的计算机可读存储介质30存储有程序指令31，该程序指令31被执行时实现本技术上述实施例提供的方法。其中，该程序指令31可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质30中，以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质30包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介
质，或者是计算机、服务器、手机、平板等终端设备。
[0139]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0140]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。