发明内容
本发明解决的问题是在海底地貌分类过程中,如何深层次地提取出海底地貌特征,同时提高地貌特征的表征能力。
为解决上述问题,本发明提供一种海底地貌智能分类模型构建方法,包括如下步骤:
获取原始海域的多波束数据;
对所述原始海域的多波束数据进行预处理,得到原始反向散射数据和原始地貌类别标签数据;
根据所述原始反向散射数据和所述原始地貌类别标签数据对原始分类模型进行训练并调优,得到海底地貌分类模型;其中,所述原始分类模型基于改进的标签平滑交叉熵损失函数和剪枝型密集连接网络构建,所述海底地貌分类模型用于预测海域的海底地形地貌类别。
可选地,所述原始分类模型的构建过程,包括:
获取原始密集连接网络;
对所述原始密集连接网络进行剪枝操作,并基于下采样函数,得到所述剪枝型密集连接网络;
根据所述改进的标签平滑交叉熵损失函数和所述剪枝型密集连接网络,得到所述原始分类模型。
可选地,所述根据所述原始反向散射数据和所述原始地貌类别标签数据对原始分类模型进行训练并调优,得到海底地貌分类模型,包括:
将所述原始反向散射数据输入所述原始分类模型进行训练,得到临时预测分类结果;
根据所述临时预测分类结果和所述原始地貌类别标签数据进行调优操作,将调优后的所述原始分类模型作为所述海底地貌分类模型。
可选地,所述根据所述临时预测分类结果和所述原始地貌类别标签数据进行调优操作,将调优后的所述原始分类模型作为所述海底地貌分类模型,包括:
根据所述临时预测分类结果和所述原始地貌类别标签数据通过所述改进的标签平滑交叉熵损失函数进行损失计算,得到损失函数输出;
根据所述损失函数输出调整所述原始分类模型的模型参数,直至损失函数输入满足预设条件,将经参数调整后的所述原始分类模型作为所述海底地貌分类模型;
其中,所述改进的标签平滑交叉熵损失函数通过标签平滑函数和交叉熵损失函数获得。
可选地,所述改进的标签平滑交叉熵损失函数通过标签平滑函数和交叉熵损失函数获得,包括:
通过对所述标签平滑函数和所述交叉熵损失函数进行融合操作,得到所述改进的标签平滑交叉熵损失函数;其中,所述标签平滑函数为:
y′=(1-∈)y+∈u(I);
其中,y′是调整后的样本标签,∈是平滑因子,y为调整前的样本标签,u(I)是服从类别数I的均匀分布。
可选地,所述对所述原始海域的多波束数据进行预处理,得到原始反向散射数据和原始地貌类别标签数据,包括:
对所述原始海域的多波束数据进行解码及校正操作,得到临时反向散射数据和所述原始地貌类别标签数据;
通过小波变换函数对所述临时反向散射数据进行去噪处理,得到所述原始反向散射数据。
本发明所述的海底地貌智能分类模型构建方法相对于现有技术的优势在于:首先对原始海域的多波束数据进行预处理得到原始反向散射数据和原始地貌类别标签数据,通过原始反向散射数据和原始地貌类别标签数据对原始分类模型,即通过改进的标签平滑交叉熵损失函数和剪枝型密集连接网络进行构建得到的模型进行训练并调优,得到海底地貌分类模型,其中,剪枝型密集连接网络的结构特点是每个层使用来自所有先前层的输入,并将其相应的特征映射传递给所有后续层,相对于传统的卷积神经网络,利用这种剪枝型密集连接网络结构可以提取更多全局的高层次特征,同时也缩减了计算量,并且可以更准确、高效地进行训练,且在模型训练过程,基于改进的标签平滑交叉熵损失函数可以减少因地貌类别相似(例如:水道和洼地)对海底地貌特征表示的影响,进而提高地貌特征的表征能力;因此本发明通过剪枝型密集连接网络和改进的标签平滑交叉熵损失函数相结合,能够有效地提取多个维度的空间信息并融合在一起,不仅能够全面提取出海底地貌特征,还能提升模型的运行效率,也能避免因大量地貌类别相似而导致最终分类结果丢失或不准确的现象,进而提升了分类的精度和可靠性。
为解决上述技术问题,本发明还提供一种海底地貌智能分类模型构建装置,包括:
获取单元,用于获取原始海域的多波束数据;
处理单元,用于对所述原始海域的多波束数据进行预处理,得到原始反向散射数据和原始地貌类别标签数据;
所述处理单元还用于根据所述原始反向散射数据和所述原始地貌类别标签数据对原始分类模型进行训练并调优,得到海底地貌分类模型;其中,所述原始分类模型基于改进的标签平滑交叉熵损失函数和剪枝型密集连接网络构建,所述海底地貌分类模型用于预测海域的海底地形地貌类别。
本发明所述的海底地貌智能分类模型构建装置与所述海底地貌智能分类模型构建方法相对于现有技术的优势相同,在此不再赘述。
为解决上述技术问题,本发明还提供一种海底地貌智能分类方法,包括:
获取目标海域的多波束数据;
对所述目标海域的多波束数据进行预处理,得到目标反向散射数据;
将所述目标反向散射数据输入所述的海底地貌智能分类模型构建方法得到的海底地貌分类模型中,得到最终海底地貌分类结果。
本发明所述的海底地貌智能分类方法与所述海底地貌智能分类模型构建方法相对于现有技术的优势相同,在此不再赘述。
为解决上述技术问题,本发明还提供一种海底地貌智能分类装置,包括:
获取模块,用于获取目标海域的多波束数据;
处理模块,用于对所述目标海域的多波束数据进行预处理,得到目标反向散射数据;
所述处理模块还用于将所述目标反向散射数据输入所述的海底地貌智能分类模型构建方法得到的海底地貌分类模型中,得到最终海底地貌分类结果。
本发明所述的海底地貌智能分类方法与所述海底地貌智能分类模型构建方法相对于现有技术的优势相同,在此不再赘述。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现所述的海底地貌智能分类模型构建方法,或实现所述的海底地貌智能分类方法。
本发明所述的计算机可读存储介质与所述海底地貌智能分类模型构建方法相对于现有技术的优势相同,在此不再赘述。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
如图1所示,在一个实施例中,提供了一种海底地貌智能分类模型构建方法,包括如下步骤:
步骤S1,获取原始海域的多波束数据;
具体地,首先通过选取原始海域作为研究区,并收集带有海底地貌类别标签的多波束数据,其中,多波束数据是利用多个发射频率(多频波束)同时发射出去,而接收机接收散射回来的信号得到。例如:多波束***的换能器发射阵沿船两侧向下激发一个声学能量后,声波即在海水中传播,当遇到海底界面后通过发射和散射又返回换能器接收阵,换能器接收阵实时接收声波的到达角和“旅行”时数据等,进而得到多波束数据。由于海水是非均质声学介质,声波会随介质的方向异性而发生前进方向的改变,因此,根据声波的到达角和“旅行”时数据及介质的不均一性反演真实海底,是多波束***的基本工作原理。需要说明的是,在选取研究区时,可选取海底地形地貌数据集所涵盖的地貌类别相对全面的区域,更有利于后续的模型训练过程,例如,可选取加利福尼亚州莫罗湾海域以及波雄角海域作为研究区。
步骤S2,对所述原始海域的多波束数据进行预处理,得到原始反向散射数据和原始地貌类别标签数据;
具体地,对原始海域的多波束数据进行解码,地理校正,辐射校正等步骤后生成了反向散射数据和地貌类别标签数据,其中地貌类别标签包括岩石露头、水道、洼地、洋脊和陆架,其中陆架是大陆延伸至海洋中的平缓部分,可以说是被海水覆盖的大陆;岩石露头是基岩暴露在海洋表面的区域;洼地是海底任何相对凹陷部分的总称,尤其被高低包围的低洼地区;水道是在其他更平坦的区域上的线性或弯曲的水道;洋脊是一个长而窄的高低,通常尖顶和陡峭的侧面,较大的山脊可以在山谷之间形成延伸的高地。
步骤S3,根据所述原始反向散射数据和所述原始地貌类别标签数据对原始分类模型进行训练并调优,得到海底地貌分类模型;其中,所述原始分类模型基于改进的标签平滑交叉熵损失函数和剪枝型密集连接网络构建,所述海底地貌分类模型用于预测海域的海底地形地貌类别。
具体地,原始分类模型是通过将改进的标签平滑交叉熵损失函数融入剪枝型密集连接网络得到,根据所述原始反向散射数据和所述原始地貌类别标签数据组成数据集,并按照沿海和海洋生态分类标准(CMECS)对地貌类别,且根据一定比例进行划分,得到训练集,测试集和验证集,通过训练集对原始分类模型进行训练并调优,并通过测试集检验训练好的最终模型(海底地貌分类模型)的泛化性能,最终通过验证集检验最终模型的性能,而应用改进的标签平滑交叉熵损失函数是一种正则化方法,通过在均匀分布和硬标签之间应用加权平均来生成软标签从而提取深度特征,避免类间相似性。
本实施例所述的海底地貌智能分类模型构建方法首先对原始海域的多波束数据进行预处理得到原始反向散射数据和原始地貌类别标签数据,通过原始反向散射数据和原始地貌类别标签数据对原始分类模型,即通过改进的标签平滑交叉熵损失函数和剪枝型密集连接网络进行构建得到的模型进行训练并调优,得到海底地貌分类模型,其中,剪枝型密集连接网络的结构特点是每个层使用来自所有先前层的输入,并将其相应的特征映射传递给所有后续层,相对于传统的卷积神经网络,利用这种剪枝型密集连接网络结构可以提取更多全局的高层次特征,同时也缩减了计算量,并且可以更准确、高效地进行训练,且在模型训练过程,基于改进的标签平滑交叉熵损失函数可以减少因地貌类别相似(例如:水道和洼地)对海底地貌特征表示的影响,进而提高地貌特征的表征能力;因此本申请通过剪枝型密集连接网络和改进的标签平滑交叉熵损失函数相结合,能够有效地提取多个维度的空间信息并融合在一起,不仅能够全面提取出海底地貌特征,还能提升模型的运行效率,也能避免因大量地貌类别相似而导致最终分类结果丢失或不准确的现象,进而提升了分类的精度和可靠性。
在一些实施例中,所述原始分类模型的构建过程,包括:
步骤T1,获取原始密集连接网络;
步骤T2,对所述原始密集连接网络进行剪枝操作,并基于下采样函数,得到所述剪枝型密集连接网络;
步骤T3,根据所述改进的标签平滑交叉熵损失函数和所述剪枝型密集连接网络,得到所述原始分类模型。
具体地,因原始密集连接网络DenseNet的密集连接其实是存在冗余的,其最大的影响便是影响网络的效率,所以为了降低DenseNet的冗余问题,通过对DenseNet的主干网络进行剪枝操作,得到轻量化神经网络CondenseNet,而在训练一开始就直接对权重做剪枝,而不是对训练好后的模型做剪枝操作,这样不仅能准确地剪枝,还能继续训练,使网络权重更平滑;相对于DenseNet的稠密连接只在相应的模块中进行,CondenseNet将不同的模块之间的特征也进行相连,做连接(concatenate)操作,而对于特征图大小不同的问题,则通过池化操作基于下采样函数进行下采样操作,并且原来1*1Conv(卷积)替换成了1*1L-Conv(learned group convolution),原来的3*3Conv替换成了3*3G-Conv(groupconvolution)使CondenseNet不仅能够提取出主要的海底地形地貌特征,并且提高了运行效率,另外,增长率(Growth Rate)为指数增长,对于深层网络来说,高水平特征对模型的效果影响更大,所以通过增加后面层的通道数的方式提升网络性能;其中,learned groupconvolution为学习群卷积,通过自动学习输入特征分组的方法,大大减少了对冗余特征的利用。
具体地,原始分类模型的结构种体系中,每个层使用来自所有先前层的输入,并将其相应的特征映射传递给所有后续层。靠近输入和输出的层之间的这些短连接允许将先前的特征有效地传递到后面,以便自动复用特征,也就是是将所有先前的图层都视为输入再传入下一层,这与一些传统的网络结构不同,在L层卷积层中有(L+1)/2连接而不是单向连接,dense block中卷积层运算公式如下:
xL=TL([x0,x1,…,xl-1]);
其中,x0,x1,…,xl-1是前l层的卷积层,xL是卷积层输出,TL是包含非线性变换的集合,包含卷积、池化、ReLu层(激活函数层)。
每个dense block包括多组具有相同填充的1×1和3×3卷积层,用于级联操作。虽然这种结构使用密集连接的模式,但它需要的参数比传统卷积网络少。事实上,这种网络结构消除了学习冗余信息的必要性,减少了网络层所需的自然数。因此,参数效率显著提高。另一方面,不同层的连续连接要求每一层从原始输入数据和损失函数中获取梯度。这种快速访问改善了层之间的信息流,减少了梯度消失问题。这种特征复用方法有利于构建更深层次地网络体系结构和提取特征相互连接的深层语义关系。
在一些实施例中,步骤S3中,所述根据所述原始反向散射数据和所述原始地貌类别标签数据对原始分类模型进行训练并调优,得到海底地貌分类模型,包括:
步骤S31,将所述原始反向散射数据输入所述原始分类模型进行训练,得到临时预测分类结果;
步骤S32,根据所述临时预测分类结果和所述原始地貌类别标签数据进行调优操作,将调优后的所述原始分类模型作为所述海底地貌分类模型。
在一些实施例中,步骤S32中,所述根据所述临时预测分类结果和所述原始地貌类别标签数据进行调优操作,将调优后的所述原始分类模型作为所述海底地貌分类模型,包括:
步骤S321,根据所述临时预测分类结果和所述原始地貌类别标签数据通过所述改进的标签平滑交叉熵损失函数进行损失计算,得到损失函数输出;
步骤S322,根据所述损失函数输出调整所述原始分类模型的模型参数,直至损失函数输入满足预设条件,将经参数调整后的所述原始分类模型作为所述海底地貌分类模型;其中,所述改进的标签平滑交叉熵损失函数通过标签平滑函数和交叉熵损失函数获得。
具体地,通过原始分类模型对原始反向散射数据进行深度特征提取,得到临时预测分类结果,通过临时预测分类结果和真实标签(原始地貌类别标签数据)通过改进的标签平滑交叉熵损失函数进行损失计算,通过得到的损失输出对原始分类模型进行调参,直至满足精度要求,调整后的原始分类模型作为最终的海底地貌分类模型,,其中,改进的标签平滑交叉熵损失函数是对交叉熵损失函数进行改进,引入标签平滑的概念,生成的标签平滑的交叉熵损失函数,在训练的过程中可以避免类间相似性带来的错分问题。当不同类型地貌中的主要特征相同或非常相似时,就会显示出海底地貌数据集的类间相似性,会给模型训练造成负面影响。为了减少这种类间相似性的影响,可以将传统的交叉熵损失函数与标签平滑相结合,避免因大量地貌类别相似而导致最终分类结果丢失或不准确的现象,进而提升了分类的精度和可靠性。
在一些实施例中,所述改进的标签平滑交叉熵损失函数通过标签平滑函数和交叉熵损失函数获得,包括:
通过对所述标签平滑函数和所述交叉熵损失函数进行融合操作,得到所述改进的标签平滑交叉熵损失函数;其中,所述标签平滑函数为:
y′=(1-∈)y+∈u(I);
其中,y′是调整后的样本标签,∈是平滑因子,y为调整前的样本标签,u(I)是服从类别数I的均匀分布。
具体地,对于图像的分类,通常在最后一层增加softmax函数来计算输入被预测数据的各个类别的概率,并用交叉熵损失函数来计算损失值。而类别向量通常转化为one-hot向量(one-hot表示是将词语所在下标位置置为1,其他位置置为0),其中对于长度为n的数组,只有一个元素是1,其余元素是0。这一特性让准确概率和零概率的产生促使真实类别与其他类别之间的差距尽可能大,这意味着网络模型对正确标签的输入图像特征进行奖励,对错误的输入图像特征进行惩罚。然而,相似地貌类别之间的特征差距相对较小,这种特性会导致对于特征的识别出现过拟合的情况。因此,引入改进的标签平滑交叉熵损失函数,减少因地貌类别相似对地貌特征表示的影响,进而提高地貌特征的表征能力。
其中,传统的softmax公式如下:
;
其中,pi是分配给第i类的可能性,wi表示最后一层的权重和偏差,x是包含从图像中提取的深度特征的向量。
再利用反向传播算法计算并最小化实际目标yi与网络输出pi之间的交叉熵期望值如下:
;
其中,yi为“1”表示分类正确,为“0”则表示错误。
可以发现不带有标签平滑的损失函数只计算了标签正确位置的值,而没有计算错误标签。这样会导致网络过于注重提高正确标签的概率,而非降低预测错误标签的概率。最后的结果是,该模型很好地拟合了自己的训练集,但对其他测试集的结果却很差。特别是,当大量海底地貌类别相似且未考虑相似类别标签的丢失时,更可能发生过度拟合的情况。
为了考虑训练数据样本中正确标签位置(即one-hot标签为“1”的位置)和其他错误标签位置(即one-hot标签为“0”的位置)的损失值,引入标签平滑函数,标签平滑函数表示如下:
y′=(1-∈)y+∈u(I);
其中,y′是调整后的样本标签,∈是平滑因子,y为调整前的样本标签,u(I)是服从类别数I的均匀分布。
在一些实施例中,步骤S2中,所述对所述原始海域的多波束数据进行预处理,得到原始反向散射数据和原始地貌类别标签数据,包括:
步骤S21,对所述原始海域的多波束数据进行解码及校正操作,得到临时反向散射数据和所述原始地貌类别标签数据;
步骤S22,通过小波变换函数对所述临时反向散射数据进行去噪处理,得到所述原始反向散射数据。
一些优选的实施例中,首先将原始海域的多波束数据按照标签数据进行相同区域的识别与校正,得到临时反向散射数据和原始地貌类别标签数据,再将反向散射数据转换为TIFF的标签数据,并裁剪为64*64的数据,将裁剪出来的数据中包含的空白区域进行删除,最终得到TIFF格式的原始反向散射数据;其中,TIFF格式的原始反向散射数据和原始地貌类别标签数据采用Arcgis和python结合批量化对原始海域的多波束数据进行切分得到,且多波束数据和遥感数据不同,原始反向散射数据和原始地貌类别标签数据是由原始海域的多波束原始数据经过解码、地理校正和辐射校正等一系列流程之后才转化成TIFF格式的反向散射数据。
在一些实施例中,如图2所示,获取原始海域的多波束数据,并对原始海域的多波束数据进行解码、地理校正和辐射校正等操作,得到原始反向散射数据和原始地貌类别标签数据;通过原始反向散射数据输入原始分类模型中进行训练,即经2维卷积、最大池化、3次迭代降维(迭代模块用于进行降维操作,其中,迭代模块通过CondenseNet,并基于下采样函数进行下采样操作形成)和全局平均池化后,得到临时预测分类结果,最后根据临时预测分类结果和原始地貌类别标签数据通过改进的标签平滑交叉熵损失函数进行损失计算,并通过反向传播对原始分类模型,相当于对CondenseNet进行参数调优,最终得到海底地貌分类模型;通过对DenseNet的骨干网络进行剪枝操作得到CondenseNet,并通过CondenseNet结合下采样操作进行多次迭代,可以因在CondenseNet的基础上缩减了计算量的同时,更进一步的减少计算量,进而提高运行效率,需要说明的是,对于迭代模块数量,即迭代次数,不做限定,可按照实际情况而定。
本实施例所述的海底地貌智能分类模型构建方法首先对原始海域的多波束数据进行预处理得到原始反向散射数据和原始地貌类别标签数据,通过原始反向散射数据和原始地貌类别标签数据对原始分类模型,即通过改进的标签平滑交叉熵损失函数和剪枝型密集连接网络进行构建得到的模型进行训练并调优,得到海底地貌分类模型,其中,剪枝型密集连接网络的结构特点是每个层使用来自所有先前层的输入,并将其相应的特征映射传递给所有后续层,相对于传统的卷积神经网络,利用这种剪枝型密集连接网络结构可以提取更多全局的高层次特征,同时也缩减了计算量,并且可以更准确、高效地进行训练,且在模型训练过程,基于改进的标签平滑交叉熵损失函数可以减少因地貌类别相似(例如:水道和洼地)对海底地貌特征表示的影响,进而提高地貌特征的表征能力;因此本申请通过剪枝型密集连接网络和改进的标签平滑交叉熵损失函数相结合,能够有效地提取多个维度的空间信息并融合在一起,不仅能够全面提取出海底地貌特征,还能提升模型的运行效率,也能避免因大量地貌类别相似而导致最终分类结果丢失或不准确的现象,进而提升了分类的精度和可靠性。
如图3所示,本发明的另一个实施例提供一种海底地貌智能分类模型构建装置,包括:
获取单元,用于获取原始海域的多波束数据;
处理单元,用于对所述原始海域的多波束数据进行预处理,得到原始反向散射数据和原始地貌类别标签数据;
所述处理单元还用于根据所述原始反向散射数据和所述原始地貌类别标签数据对原始分类模型进行训练并调优,得到海底地貌分类模型;其中,所述原始分类模型基于改进的标签平滑交叉熵损失函数和剪枝型密集连接网络构建,所述海底地貌分类模型用于预测海域的海底地形地貌类别。
本发明的又一个实施例提供一种海底地貌分类模型构建设备,包括存储器和处理器:存储器,用于存储计算机程序;处理器,用于当执行所述计算机程序时,实现所述的海底地貌智能分类模型构建方法。
需要注意的是,该设备可以为服务器、移动终端等计算机设备。
如图4所示,本发明的又一个实施例还提供一种海底地貌智能分类方法,包括如下步骤:
步骤A1,获取目标海域的多波束数据;
步骤A2,对所述目标海域的多波束数据进行预处理,得到目标反向散射数据;
步骤A3,将所述目标反向散射数据输入所述的海底地貌智能分类模型构建方法得到的海底地貌分类模型中,得到最终海底地貌分类结果。
具体地,获取目标海域的多波束数据,即待测海域的多波束数据,通过对待测海域的多波束数据进行解码、地理校正和辐射校正等操作,得到目标反向散射数据,并将目标反向散射数据输入所述的海底地貌智能分类模型构建方法得到的海底地貌分类模型中,得到待测海域的海底地貌分类结果。
在本实施例中,通过选取某一研究海域的多波束数据(研究海域的地貌类别为5个地貌类别,包括岩石露头,水道,陆架,洼地和洋脊),并对研究海域的多波束数据进行解码、地理校正和辐射校正等,得到反向散射数据,并对反向散射数据进行划分得到训练集、测试集和验证集,在训练集上对原始分类模型进行迭代训练20次,取平均值并计算正负偏离,得到海底地貌分类模型,并通过测试集对海底地貌分类模型进行精度评价,得到精确度约为71.74±0.69%,召回率为50.62±0.72%,高于基于Densenet的精确度70.81±0.84%,召回率为45.52±0.63%,同时高于基于Resnet的精确度69.03±0.58%,召回率42.83±0.67%,通过比较可知,召回率有很大提升,证明原来因地貌类别相似引起的错分情况得到了很大的改善。
本发明的又一个实施例还提供一种海底地貌智能分类装置,包括:
获取模块,用于获取目标海域的多波束数据;
处理模块,用于对所述目标海域的多波束数据进行预处理,得到目标反向散射数据;
所述处理模块还用于将所述目标反向散射数据输入所述的海底地貌智能分类模型构建方法得到的海底地貌分类模型中,得到最终海底地貌分类结果。
需要注意的是,该设备可以为服务器、移动终端等计算机设备。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备包括该计算机设备包括通过***总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现海底地貌智能分类方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行的海底地貌智能分类方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现所述的海底地貌智能分类模型构建方法,或实现所述的海底地貌智能分类方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。