技术领域
[0001] 本申请涉及人工智能技术领域，具体涉及一种训练方法及训练装置。
相关背景技术
[0002] 姿态识别是指利用神经网络模型，对图像或视频中的生物的动作和/或关键点进行识别和/或提取。
[0003] 现有技术中，在对啮齿类动物运动的图像序列中的关键点进行识别时，通常时对单个图像或单个图像帧中的关键点进行提取，上述关键点例如可以是啮齿类动物的关节等。通过这种方式获得的识别结果容易出现抖动，使关键点的运动轨迹不够平滑。
具体实施方式
[0033] 本申请实施例中的方法及装置可以应用于对各种基于图像序列中的啮齿类动物的姿态识别的场景。该图像序列可以为视频中的多个图像帧。多个图像帧可以为视频中连续的多个图像帧。图像序列也可以是摄像机等图像采集设备采集的动物的多张图像。该啮齿类动物例如可以是小鼠等。
[0034] 为了便于理解本申请实施例，首先对本申请的背景进行详细的举例说明。
[0035] 生物神经元的行为与动物的活动息息相关，动物的姿态变化通常会引起神经元的相应变化。因此，对特定行为下由神经元构成的复杂的网络的连接和交互方式的探索对神经科学和医学领域是非常重要的。本领域一般采用定量分析的方法，即通过获取动物的姿态信息及神经元的行为，确定其对应关系。
[0036] 获取动物神经元的行为可以利用射线扫描以及微型化多光子显微镜等方法获取。
[0037] 获取动物的姿态信息的方法有多种。例如，可以通过对图像序列中的关键点进行人工标注，以获取动物的姿态信息。但是，面对海量的数据，人工处理的效率较低且容易出错，无法保证得到的姿态信息的准确性。
[0038] 又例如，还可以动物身体的关键点处设置标记物(例如位移或加速度传感器)，根据标记物位置等信息的变化确定动物的姿态变化。但是，对于啮齿类动物来说，由于其体型较小，设置标记物会干扰其自然行为，导致采集到的数据的准确性降低。
[0039] 再例如，可以利用深度相机对空间中的动物进行定位以获取其姿态信息。但是，该方法对成像条件以及场景变化较为敏感，并不适用于所有场合。
[0040] 随着人工智能领域的发展，基于神经网络的动物姿态识别方法正逐步取代传统技术。目前的神经网络模型在训练时通常不会考虑图像序列中啮齿类动物的关键点随时间的运动规律。这些神经网络模型在姿态识别过程中具有以下问题：
[0041] 在识别图像序列中的动物姿态时，神经网络模型通常是基于每一帧图像本身进行姿态识别。例如，待识别图像序列按照时间顺序包括第一帧图像和第二帧图像。神经网络模型根据第一帧的图像对第一帧图像中的动物姿态进行识别，得到第一帧图像对应的第一姿态识别结果。根据第二帧的图像对第二帧图像中的动物姿态进行识别，得到第二帧图像对应的第二姿态识别结果。采用上述直接利用当前帧图像对动物姿态进行识别的方法，得到的识别结果的准确率较低，在时间上不够平滑。此外，当采集的图像序列中的图像帧存在模糊或被遮挡的情况时，例如当啮齿类动物的尾巴发生卷曲或被遮挡时，神经网络模型输出的关键点位置信息的准确性较低。
[0042] 此外，现有的神经网络模型通常是基于识别结果与人工标注结果之间的误差来构造损失函数，利用反向传播算法进行训练的。这种神经网络模型在训练时不会考虑关键点在时域上的连续变化，从而导致在执行啮齿类动物姿态识别时会出现准确率较低的问题。另一方面，利用上述识别结果与人工标注结果的误差构造损失函数对神经网络模型进行训练，通常会使初始训练过程较慢。
[0043] 有鉴于上述问题，本申请实施例提供了一种训练方法及训练装置。本申请实施例提供的方法通过在神经网络模型的训练过程中引入时间约束，有效抑制了神经网络模型的识别结果在时域上的抖动现象。
[0044] 下面结合图1‑图4，对本申请实施例提供的训练方法进行详细介绍。图1是本申请实施例提供的训练方法的示意性流程图。图1所示的训练方法可包括步骤S11‑S13。
[0045] 步骤S11，获取训练样本。
[0046] 在本申请的一个实施例中，训练样本可包括记录啮齿类动物运动的图像序列以及标记结果。可以理解，标记结果可包括预设数目个啮齿类动物身体关键点的位置信息。例如，关键点可以是身体各关节点和关键部位，例如可以是小鼠四肢上的关节点以及尾巴、眼睛、鼻子、耳朵等。该位置信息可以为关键点的坐标信息。
[0047] 本申请实施例对预先标注的结果的获取方式不做限定。例如，可以使用人工标注的方法对图像序列中的图像帧做逐帧标注。作为可能的实现方式，也可使用其他置信度较高的方法进行标注。
[0048] 获取训练样本的方式可以有很多种，本申请实施例对此也不做限定。例如，作为一种实现方式，可以通过例如图像获取设备(如摄像机、摄像头、医疗影像设备、激光雷达等)直接获取的图像序列，该图像序列可包括按时间顺序排列的多张啮齿类动物的图像。又例如，可以从服务器(例如本地服务器或云服务器等)获取训练样本。或者，还可以在网络上或其他内容平台上获取训练样本，例如可以使用MSCOCO数据集、MPII数据集以及POSETTRACK数据集等开源的训练数据集等；或者，还可以是预先存储在本地的图像序列。
[0049] 步骤S12，将前述步骤S11中获取的训练样本输入神经网络模型，得到啮齿类动物的姿态的识别结果。
[0050] 本申请实施例对神经网络模型不做具体限定，任何能够实现本申请所述姿态识别的神经网络模型均可。例如，神经网络模型可以是VGG、ResNet、HRNet等2D卷积神经网络。
[0051] 可选地，HRNet(高分辨率网络HighResolution Network)在进行特征提取时能够全程保持高分辨率，并且在特征提取过程中能够进行不同分辨率特征的较差融合。尤其适合应用在语义分割、人体姿态、图像分类、面部标志物检测、通用目标识别等场景。
[0052] 其中，识别结果可以包括由神经网络模型识别的预设数目个啮齿类动物身体关键点的位置信息(也可以简称为识别位置)。
[0053] 步骤S13，根据步骤S12中的识别结果，利用损失函数，使用梯度下降法对所述神经网络模型进行训练。
[0054] 其中，损失函数可包括时间约束项Ltemporal。
[0055] 下面结合图2对时间约束项Ltemporal的确定方法做以详细的描述。参阅图2，图2示出的是一种时间约束项的确定方法。
[0056] 时间约束项Ltemporal可用于约束所述啮齿类动物的姿态中的关键点在所述图像序列中的相邻图像帧之间的位置。
[0057] 在一些实施例中，时间约束项Ltemporal可以根据利用跟踪方法获取的关键点的位置信息与识别结果中关键节点的位置信息的误差来确定。
[0058] 本申请实施例提供的训练方法中，跟踪方法可以为无监督的跟踪方法，例如可以为Lucas‑Kanade光流法。
[0059] 图2所示的方法可包括步骤S1311‑S1315。
[0060] 步骤S1311，从训练样本中选择m个图像作为跟踪样本。
[0061] 所述m个图像为训练样本中的任意m个图像。该m个图像可以为训练样本中的连续的m个图像。可以理解的是，该m个图像也可以为训练样本中的所有图像。
[0062] 步骤S1312，将所述训练样本中的m个图像中的第一个图像帧作为初始帧，利用所述初始帧的识别结果进行前向跟踪，得到第一前向跟踪结果，确定所述第一前向跟踪结果与第m个图像帧的识别结果之间的第一差值，所述第一前向跟踪结果包括第m个图像帧中的关键点的跟踪位置。其中，m为大于或等于2的正整数。换句话说，该第一差值可以为第m个图像帧中的同一个关键点的跟踪位置与识别位置之间的差值。
[0063] 为方便描述，下文将将m个图像构成的集合记为I1,i(i＝1,2,…,m)，将该集合I1,i的识别结果记为 (i＝1,2…,m；ω＝1,2…,h)，其中，ω为每个图像帧中的关键点的个数。
[0064] 将m个图像中的第一帧作为初始帧，利用该初始帧的识别结果 进行前向跟踪，得到第一前向跟踪结果 确定第一前向跟踪结果和集合I1,i中的第m帧的识别结果之间的差值F1为：
[0065]
[0066] 步骤S1313，将所述m个图像中的第m个图像帧作为终止帧，利用所述终止帧的识别结果进行后向跟踪，得到第一后向跟踪结果，所述第一后向跟踪结果包括第一个图像帧中的关键点的跟踪位置。可以理解的是，第m个图像也可以称为m个图像中的最后一个图像帧。确定所述第一后向跟踪结果与所述第一个图像帧的识别结果之间的第二差值。换句话说，该第二差值可以为第一个图像帧中的同一个关键点的跟踪位置与识别位置之间的差值。
[0067] 将m个图像中的最后一帧作为终止帧，利用该终止帧的识别结果 进行后向跟踪，得到第一后向跟踪结果 确定第一后向跟踪结果 和集合I1,i中的第一帧的识别结果 之间的差值F2为：
[0068]
[0069] 在步骤S1314，将m个图像中的第一帧作为初始帧 利用该初始帧的识别结果进行前向跟踪，得到第一前向跟踪结果 再以第一前向跟踪结果 作为终止帧，进行后向跟踪，确定第二后向跟踪结果 确定第二后向跟踪结果 与初始帧 的差值
F3为：
[0070]
[0071] 在步骤S1315，确定时间约束项。
[0072] 当所述第一差值和所述第二差值均小于或等于预设阈值时，确定所述时间约束项为0；当所述第一差值和/或所述第二差值大于所述预设阈值时，确定所述时间约束项为第二后向跟踪结果 与初始帧 的差值F3。即所述时间约束项为
[0073] 其中E1为预设阈值，该预设阈值与生物的运动特性相关。需要说明的是，相比于神经网络模型的预测结果，利用跟踪方法得到的跟踪结果能够确保同一个关键点跟踪位置在时域上平滑变化。因此，当差值(如第一差值或第二差值)小于预设阈值时，表示识别结果接近跟踪结果，神经网络模型的识别结果在时域上比较平滑，此时可以不设置时间约束项。而当差值大于预设阈值时，表示识别结果与跟踪结果相差较大。也就是说，识别结果在时域上较为抖动。此时可以通过设置时间约束项对神经网络模型进行训练，以使神经网络模型输出的识别结果更加平滑。
[0074] 本申请实施例对确定所述时间约束项的方式不做具体限定。例如，可以将第一差值作为时间约束项。又例如，可以将第二差值作为时间约束项。再例如，可以对第一前向跟踪结果进行后向跟踪，得到第二后向跟踪结果；根据第二后向跟踪结果与第一个图像帧的识别结果之间的差值，确定时间约束项。再例如，可以对第一后向跟踪结果进行前向跟踪，得到第二前向跟踪结果；根据第二前向跟踪结果与第一个图像帧的识别结果之间的差值，确定时间约束项。
[0075] 在一些实施方式中，所述损失函数还包括空间约束项，所述空间约束项用于限定所述啮齿类动物的姿态中的关键点在同一帧图像中的位置。
[0076] 参阅图3，图3示出的是一种空间约束项的确定方法。
[0077] 空间约束项Lspatical可用于限定生物的姿态中的关键点在同一图像帧中的位置。在一些实施例中，空间约束项Lspatical可根据识别结果中的多个关键点的位置之间的差值来确定。
[0078] 本申请一实施例提供的确定空间约束项Lspatical的方法可包括步骤S1321‑S1322。
[0079] 步骤S1321，从所述训练样本中选择p个样本，其中p为大于或等于2的正整数；
[0080] 所述p个图像为训练样本中的任意p个图像。该p个图像可以为训练样本中的连续的p个图像。可以理解的是，该p个图像也可以为训练样本中的所有图像。其中，p为大于或等于2的正整数。
[0081] 为方便描述，下文将将p个图像构成的集合记为I2,j(j＝1,2,…,p)，将该集合I2,j的识别结果记为 (i＝1,2…,p；ω＝1,2…,h)，其中，ω为每个图像帧中的关键点的个数。
[0082] 步骤S1322，确定所述训练样本中的同一个图像中的两个关键点之间的距离。
[0083] 确定所述p个样本的识别结果 (j＝1,2,…,p,ω＝1,2,…h)中两两关键点的距离 (j＝1,2,…,p,ω＝1,2,…h)
[0084] 步骤S1323，确定空间约束项。
[0085] 上述距离 符合高斯分布，确定所述距离 的均值μ和方差σ2，其中ω为每一个图像帧上的关键点的个数；
[0086] 确定空间约束项为：
[0087] 需要说明的是，上述步骤S1321‑S1323提供的确定空间约束项Lspatical的方法仅为示例，也可通过其他方式来确定。例如，也可以基于识别结果中两两关键点的距离与对应的标注结果中两两关键点的距离的误差来确定空间约束项，本申请对此不作限定。
[0088] 在一些实施例中，损失函数还可以包括误差约束项LMSE。在一些实施例中，误差约束项LMSE可以根据训练样本的识别结果与标注结果中同一关键点的位置信息的误差确定。参阅图4，以均方误差为例，确定误差约束项可包括步骤S1331‑S1333。
[0089] 步骤S1331，从由步骤S11获取的训练样本中选择n个图像构成样本集I3,k(k＝1,2,…,n)，其中n为大于或等于1的正整数。
[0090] 所述n个图像为训练样本中的任意n个图像。该n个图像可以为训练样本中的连续的n个图像。可以理解的是，该n个图像也可以为训练样本中的所有图像。
[0091] 步骤S1332，确定样本集I3,k的识别结果 (k＝1,2…,n；ω＝1,2…,h)以及标注结果 (k＝1,2…,n；ω＝1,2…,h)。
[0092] 步骤S1333，计算前述识别结果 和标注结果 的均方误差，确定误差损失项为：
[0093]
[0094] 对于误差损失项来说，除了均方误差损失，还可采用本领域常用的交叉熵损失、0‑1损失、绝对值损失等。上述步骤S1331‑S1333所示的方法仅为示例，并不具有对本申请保护范围的限定作用。
[0095] 在一些实施例中，还可将前述误差约束项LMSE、时间约束项Ltemporal以及空间约束项Lspatical加权求和来确定损失函数。即，损失函数L＝LMSE+aLtemporal+bLspatical，其中，a和b为超参数，其取值为大于或等于0。
[0096] 下面结合图5详细描述本申请提供的训练装置的实施例。应理解，装置实施例与前述方法实施例的描述相互对应。因此，未详细描述的部分可参见前述方法实施例。
[0097] 图5是本申请一个实施例提供的训练装置50的示意性框图。应理解，图5示出的装置50仅是示例，本发明实施例的装置50还可包括其他模块或单元。
[0098] 应理解，装置50能够执行图1‑图4的方法中的各个步骤，为了避免重复，此处不再赘述。
[0099] 作为一种可能的实现方式，所述装置包括：
[0100] 获取模块51，用于获取训练样本。
[0101] 其中，训练样本及其获取方式可与前述方法的步骤S11一致，此处不再赘述。
[0102] 输入模块52，用于将所述训练样本输入神经网络模型，得到所述啮齿类动物的姿态的识别结果，所述识别结果包括所述啮齿类动物的姿态中的关键点。
[0103] 训练模块53，用于根据所述啮齿类动物的姿态的识别结果，利用损失函数，使用梯度下降法对所述神经网络模型进行训练。
[0104] 可选地，所述神经网络模型包括HRNet网络。
[0105] 可选地，在所述对所述神经网络模型进行训练之前，所述训练装置还包括：第一确定模块，用于根据利用跟踪方法获取的关键点的位置与所述识别结果中关键点的位置的误差，确定所述时间约束项。
[0106] 可选地，所述跟踪方法包括Lucas‑Kanade光流法。
[0107] 可选地，所述第一确定模块用于：从所述训练样本中选择m个样本作为跟踪样本，其中m为大于或等于2的正整数；将所述跟踪样本的识别结果 (i＝1.2…m,ω＝1,2,…,h)中的第一帧 作为初始帧，进行前向跟踪，得到前向跟踪结果 确定所述前向跟踪结果与所述跟踪样本中的第m个图像帧的识别结果的差值为： 其中ω为每一个图像帧上的关键点的个数；将所述跟踪样本的识别结果中的最后一帧 作为终止帧，进行后向跟踪，得到后向跟踪结果 确定所述后向跟踪结果与所述跟踪样本中的第1个图像帧的识别结果的差值为 将所述跟踪样本的识别结果中的第一帧
作为初始帧 进行前向跟踪，得到前向跟踪结果 以所述前向跟踪结果 作为
初始帧，进行后向跟踪，得到第二后向跟踪结果 所述第二后向跟踪结果与所述初始帧的差值为 确定时间约束项为： 其中E1
为阈值。
[0108] 可选地，所述损失函数还包括空间约束项，所述空间约束项用于限定所述啮齿类动物的姿态中的关键点在同一帧图像中的位置。
[0109] 可选地，所述训练装置还包括：第二确定模块，用于根据所述识别结果中的多个关键点的位置之间的差值，确定所述空间约束项。
[0110] 可选地，所述第二确定模块用于：从所述训练样本中选择p个样本，其中p为大于或等于2的正整数；确定所述p个样本的识别结果 (j＝1,2,…,p,ω＝1,2,…h)中两两关键点的距离 (j＝1,2,…,p,ω＝1,2,…h)，所述距离 符合高斯分布，确定所述距离 的2
均值μ和方差σ，其中ω为每一个图像帧上的关键点的个数；确定空间约束项为：
[0111] 可选地，所述损失函数还包括误差约束项，所述误差约束项用于约束所述生物的姿态中的关键点在所述识别结果和标注结果中的误差。
[0112] 可选地，所述误差损失项为均方误差损失项。
[0113] 应理解，这里的训练神经网络模型的装置50以功能模块的形式体现。这里的术语“模块”可以通过软件和/或硬件形式实现，对此不作具体限定。例如，“模块”可以是实现上述功能的软件程序、硬件电路或二者结合。所述硬件电路可能包括应用特有集成电路(application specific integrated circuit，ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。
[0114] 作为一个示例，本发明实施例提供的训练神经网络模型的装置50可以是处理器或芯片，以用于执行本发明实施例所述的方法。
[0115] 图6是本申请另一实施例提供的训练装置60的示意性框图。图6所示的装置60包括存储器61、处理器62、通信接口63以及总线64。其中，存储器61、处理器62、通信接口63通过总线64实现彼此之间的通信连接。
[0116] 存储器61可以是只读存储器(read only memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，RAM)。存储器61可以存储程序，当存储器61中存储的程序被处理器62执行时，处理器62用于执行本发明实施例提供的训练方法的各个步骤，例如，可以执行图1‑图4所示实施例的各个步骤。
[0117] 处理器62可以采用通用的中央处理器(central processing unit，CPU)，微处理器，应用专用集成电路(application specific integrated circuit，ASIC)，或者一个或多个集成电路，用于执行相关程序，以实现本发明方法实施例的训练方法。
[0118] 处理器62还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本发明实施例提供的训练方法的各个步骤可以通过处理器62中的硬件的集成逻辑电路或者软件形式的指令完成。
[0119] 上述处理器62还可以是通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gate array，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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。
[0120] 结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器62读取存储器61中的信息，结合其硬件完成本发明实施例中姿态识别的装置包括的单元所需执行的功能，或者，执行本发明方法实施例的训练方法。例如，可以执行图1‑图4所示实施例的各个步骤/功能。
[0121] 通信接口63可以使用但不限于收发器一类的收发装置，来实现装置60与其他设备或通信网络之间的通信。
[0122] 总线64可以包括在装置60各个部件(例如，存储器61、处理器62、通信接口63)之间传送信息的通路。
[0123] 应理解，本发明实施例所示的装置60可以是处理器或芯片，以用于执行本发明实施例所述的方法。
[0124] 应理解，本发明实施例中的处理器可以为中央处理单元(central processing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
[0125] 下面结合图7的应用场景，对本申请实施例的具体应用进行介绍。需要说明的是，下述关于图7的描述仅为示例而非限定，本申请实施例中的方法并不限于此，也可以应用于其他姿态识别的场景。
[0126] 图7中的应用场景可以包括图像获取装置71及图像处理装置72。
[0127] 其中，图像获取装置71可用于获取啮齿类动物的图像序列。图像处理装置72可以集成在电子设备中，该电子设备可以是服务器也可以是终端等设备，本申请实施例对此不作限定。例如，服务器可以是独立的物理服务器，也可是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云计算、云存储、云通信以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以使智能手机、平板电脑、计算机以及智能物联网设备等。终端以及服务器可以通过有线或无线通信方式进行直接或间接的连接，本申请对此不作限制。
[0128] 图像处理装置72中可以部署有神经网络模型，可用于在利用上述图像获取装置71获取的图像序列后，采用神经网络模型对图像进行识别，得到待处理图像中的关键点的位置信息。其中，关键点的位置信息可包括例如啮齿类动物身体关节、躯干或五官的位置坐标信息等。
[0129] 上述电子设备还可以利用图像获取装置71获取训练样本，根据训练样本的识别结果以及人为标注的结果，利用损失函数对神经网络模型进行训练。图像处理装置72还可以通过训练后的神经网络模型对待处理图像进行识别，进而达到精准识别图像的目的。
[0130] 上文描述的实施例仅是本申请一部分实施例，而不是全部的实施例。上述实施例的描述顺序不作为对实施例优选顺序的限定。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0131] 应理解，在本申请实施例中，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
[0132] 应理解，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，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0133] 应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
[0134] 在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够读取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digital video disc，DVD))或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
[0135] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
