信息切分方法、装置和电子设备与流程

1.本公开涉及互联网技术领域，尤其涉及一种信息切分方法、装置和电子设备。


背景技术：

2.信息切分算法的目标是将原数据切成不同粒度的数据片段，其是后续多种应用的基础，例如编辑、理解、识别等等。
3.目前，现有的切分算法主要是根据相邻数据的差异来进行切分。


技术实现要素：

4.提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
5.第一方面，本公开实施例提供了一种信息切分方法，该方法包括：对于信息序列中的目标信息节点，根据所述目标信息节点的第一节点信息，确定第一分界点概率值，其中，第一分界点概率值指示目标信息节点是第一类型分界点的概率；根据第一分界点概率值和所述目标信息节点的第二节点信息，确定第二分界点概率值，其中，第二分界点概率值指示所述信息节点是第二类型分界点的概率；基于所述第一分界点概率值和所述第二分界点概率值，确定所述信息序列的至少两种切分方式，其中，不同切分方式的切分粒度不同。
6.第二方面，本公开实施例提供了一种信息切分装置，包括：第一确定单元，用于对于信息序列中的目标信息节点，根据所述目标信息节点的第一节点信息，确定第一分界点概率值，其中，第一分界点概率值指示目标信息节点是第一类型分界点的概率；第二确定单元，用于根据第一分界点概率值和所述目标信息节点的第二节点信息，确定第二分界点概率值，其中，第二分界点概率值指示所述信息节点是第二类型分界点的概率；第三确定单元，用于基于所述第一分界点概率值和所述第二分界点概率值，确定所述信息序列的至少两种切分方式，其中，不同切分方式的切分粒度不同。
7.第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的信息切分方法。
8.第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的信息切分方法的步骤。
9.本公开实施例提供的信息切分方法、装置和电子设备，通过对于信息序列中的目标信息节点，先根据目标信息节点的第一节点信息，确定第一分界点概率值；然后，根据第一分界点概率值和目标信息节点的第二节点信息，确定目标信息节点的第二分界点概率值；第一分界点概率值可以指示目标信息节点是第一类型分界点的概率，第二分界点概率值可以指示目标信息节点是第二类型分界点的概率，然后，可以确定是否将目标信息节点确定为信息序列中的第一类型分界点和/或第二类型分界点，由此，可以确定是否从目标信
息节点处切分所述信息序列。从而，可以提高第二分界点概率值的准确度，进而，可以提高分界点确定的准确度，实现准确切分数据。并且，可以同时得到对应至少两种分界点类型的切分方式，实现对信息序列层次化不同粒度的切分。
附图说明
10.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
11.图1是根据本公开的信息切分方法的一个实施例的流程图；
12.图2是根据本公开的信息切分方法的场景示意图；
13.图3是根据本公开的信息切分方法的场景示意图；
14.图4是根据本公开的信息切分方法的场景示意图；
15.图5是根据本公开的信息切分方法的一种实现方式的示意图；
16.图6是根据本公开的信息切分方法的场景示意图；
17.图7是根据本公开的信息切分方法的场景示意图；
18.图8是根据本公开的信息切分方法的场景示意图；
19.图9是根据本公开的信息处理装置的一个实施例的结构示意图；
20.图10是本公开的一个实施例的信息切分方法可以应用于其中的示例性系统架构；
21.图11是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
22.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
23.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
24.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
25.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
26.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
27.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
28.请参考图1，其示出了根据本公开的信息切分方法的一个实施例的流程。该信息切
分方法应用于终端设备或者服务器。如图1所示该信息切分方法，包括以下步骤：
29.步骤101，对于信息序列中的目标信息节点，根据目标信息节点的第一节点信息，确定第一分界点概率值。
30.在本实施例中，信息切分方法的执行主体(例如服务器)可以对于信息序列中的目标信息节点，根据所述目标信息节点的第一节点信息，确定第一分界点概率值。
31.在这里，信息序列可以是由信息构成的序列。信息的类型，可以包括但是不限于以下至少一项：图像、文本、音频。
32.在这里，信息序列的类型不做限定。作为示例，信息序列可以包括以下至少一项但不限于：视频序列、文本序列等。
33.在这里，目标信息节点可以将信息序列中的任意信息单元或者任意位置。目标信息节点中的目标，为了方便说明添加，不构成对信息单元的限定。
34.在一些应用场景中，信息序列可以是视频帧序列，视频帧交界处的时间点可以作为信息节点，一个视频帧可以作为信息节点，预设数目个(例如3个)视频帧也可以作为信息节点。
35.在本技术中，作为示例，以视频帧序列为例进行说明。目标信息节点可以是视频帧序列中的任意视频帧或者时间点。
36.在这里，目标信息节点的第一节点信息，可以是目标信息节点的节点特征信息。第一节点信息用于确定第一分界点概率值。
37.在这里，第一分界点概率值指示目标信息节点是第一类型分界点的概率。
38.在一些实施例中，对于视频帧序列中的目标视频帧，可以针对目标视频帧的前后多帧，分别提取相应特征。作为示例，可以针对视频中的目标视频帧t，提取时间范围为[t－k，t+k)内共2k帧的特征；也就是说，可以提取目标视频帧之前的连续k帧和之后的连续k－1帧，提取特征。根据提取的2k帧的特征，可以确定第一节点信息。
[0039]
在一些实施例中，可以使用通道分离卷积网络(channel－separated convolution network，csn)，提取2k帧的特征。
[0040]
步骤102，根据第一分界点概率值和目标信息节点的第二节点信息，确定第二分界点概率值。
[0041]
在这里，第二分界点概率值，可以用于表征目标信息节点是第二类型分界点的概率。
[0042]
在一些应用场景中，信息序列中第一类型分界点的出现概况高于第二类型分界点的出现概率。
[0043]
在这里，第一类型分界点和第二类型分界点关联。
[0044]
在一些应用场景中，第一类型分界点与第二类型分界点具有关联关系。作为示例，如果信息节点是第二类型分界点，那么该信息节点通常也是第一类型分界点。
[0045]
作为示例，对于视频帧序列来说，视频帧是事件分界点与不是事件分界点，将会对该视频帧是否是镜头分界点产生直接影响。如果视频帧是事件分界点，那么该视频帧可能是镜头分界点；如果视频帧不是事件分界点，那么该视频帧是镜头分界点的概率很低。
[0046]
步骤103，根据第一分界点概率值和第二分界点概率值，确定信息序列的至少两种切分方式。
[0047]
在这里，不同切分方式的切分粒度不同。切分粒度不同可以包括切分后的信息序列片段的长度不同。一般情况下，第二类型分界点的数量不大于第一类型分界点的数量。
[0048]
作为示例，在信息序列的第一类型分界点处进行切分得到的信息序列片段的长度，可能短于在信息序列的第二类型分界点处进行切分得到的信息序列片段长度。
[0049]
在这里，步骤103可以包括，通过目标信息节点的第一分界点概率值，可以确定目标信息节点是否是第一类型分界点；通过目标信息节点的第二分界点概率值，可以确定目标信息节点是否是第二类型分界点。
[0050]
在一些应用场景中，采用图1所示的方法，处理信息序列中的每个信息节点，可以得到每个信息节点对应的第一分界点概率值和第二分界点概率值。然后，可以参考各个信息节点的第一分界点概率值和第二分界点概率值，确定信息序列中的第一类型分界点和第二类型分界点。
[0051]
在一些应用场景中，在第一类型分界点处切分，可以理解为第一切分方式。在第二类型分界点处切分，可以理解为第二切分方式。
[0052]
在一些实施例中，本实施例中的步骤，可以采用经训练的神经网络实现。
[0053]
需要说明的是，本实施例提供的信息切分方法，通过对于信息序列中的目标信息节点，先根据目标信息节点的第一节点信息，确定第一分界点概率值；然后，根据第一分界点概率值和目标信息节点的第二节点信息，确定目标信息节点的第二分界点概率值；第一分界点概率值可以指示目标信息节点是第一类型分界点的概率，第二分界点概率值可以指示目标信息节点是第二类型分界点的概率，然后，可以确定是否将目标信息节点确定为信息序列中的第一类型分界点和/或第二类型分界点，由此，可以确定是否从目标信息节点处切分所述信息序列。从而，可以提高第二分界点概率值的准确度，进而，可以提高分界点确定的准确度，实现准确切分数据。并且，可以同时得到对应至少两种分界点类型的切分方式，实现对信息序列层次化不同粒度的切分。
[0054]
在一些应用场景中，根据切分的粒度，从细到粗分事件、镜头和情景。后一级网络的分类层接收前级网络的输出和本级网络的特征。首先预测事件分界点，然后根据事件分界点预测镜头分界点。最后根据事件分界点和镜头分界点，预测情景分界点。
[0055]
作为示例，事件(event)，可以指示切割的最小视频单元。例如，一个完整的动作行为，一段连续的景色等片段，即是局部信息连续的视频片段。
[0056]
作为示例，镜头(shot)，可以指示摄像机镜头下不间断进行拍摄的拍摄内容，其具有视觉上的一致性，即是将视频中的镜头转换边界检测出来。
[0057]
作为示例，情景(scene)，可以指示一个语意单元，由一系列具有语义相关性的镜头或者事件片段组成。
[0058]
可选的，第一类型分界点可以是事件分界点，第二类型分界点可以是镜头分界点。可选的，第一类型分界点可以是镜头分界点，第二类型分界点可以是情景分界点。可选的，第一类型分界点可以是事件分界点，第二类型分界点可以是情景分界点。
[0059]
请参考图2，图2示出了视频帧序列中三种切分方式。视频片段201和视频片段202之间的分界点，可以是第一类型分界点，作为示例，第一类型分界点可以是事件分界点，视频片段201和视频片段202可以指示相对独立的事件。
[0060]
视频片段210可以包括视频片段201和视频片段202。视频片段210和视频片段220
之间的分界点，可以是第二类型分界点，作为示例，第二类型分界点可以是镜头分界点。换句话说，视频片段210和视频片段220可以指示(镜头转换前后)独立的拍摄过程。
[0061]
视频片段21可以包括视频片段210和视频片段220。视频片段21和视频片段22之间的分界点，可以是第三类型分界点。作为示例，第三类型分界点可以是情景分界点。换句话说，视频片段21和视频片段22可以指示相对独立的情景。
[0062]
作为示例，视频片段201可以显示人物甲进家门，视频片段202可以显示人物甲进家门之后在客厅喝水，视频片段203可以显示人物甲进入厨房和人物乙说话。视频片段210可以是在客厅拍摄，视频片段220可以是在厨房拍摄的，客厅拍摄的和厨房拍摄的视频片段之间的分界点可以是镜头分界点。
[0063]
作为示例，视频片段204可以显示人物甲和人物乙等电梯，视频片段205可以显示人物甲和人物乙在电梯里聊天，视频片段206可以显示人物甲和人物乙在电梯中打架。视频片段230可以是在楼道里拍摄的，视频片段204可以是在电梯中拍摄的。视频片段230和视频片段240之间的分界点可以是镜头分界点。
[0064]
作为示例，视频片段21可以显示房屋内情景。视频片段22可以显示房屋内情景。
[0065]
在一些实施例中，所述方法还包括：获取目标信息节点的第三节点信息；根据所述第三节点信息和以下至少一项：所述第一分界点概率值和第二分界点概率值，确定第三分界点概率值。
[0066]
在这里，第三分界点概率值可以用于指示目标信息节点是否第三类型分界点的概率。
[0067]
在一些实施例中，上述步骤103，还可以包括：确定与第三类型分界点对应的切分方式。
[0068]
在一些应用场景中，第一类型分界点可以是事件分界点，第二类型分界点可以是镜头分界点，第三类型分界点可以是情景分界点。以事件分界点和镜头分界点为参考信息，确定情景分界点，可以充分利用时间分界点、镜头分界点和情景分界点之间的内在关联关系，以技术手段加以实现，以确定更为准确的情景分界点。
[0069]
需要说明的是，将第一分界点概率值和/或第二分界点概率值作为参考信息，可以参考相对于第三类型分界点粒度更小的分界点的判断结果，作为先验事件帮助确定目标信息节点是否是第三类型分界点，可以提高判断目标信息节点是否是第三类型分界点的准确率。
[0070]
在一些实施例中，所述方法还可能具有多种切分方式，每种切分方式与一种类型的分界点对应，每个分界点概率值的确定与至少一个其它的分界点概率值有关。
[0071]
作为示例，所述方法可能涉及4种类型的分界点，每种类型的分界点可以对应切分方式。分界点概率值的确定，可能与其它类型的分界点概率值有关。
[0072]
由此，无论分界点类型的数量是多少，均可以实现层次化切分。
[0073]
在一些实施例中，信息序列可以包括视频帧序列，第一类型分界点可以是事件分界点，第二类型分界点可以是镜头分界点，第三类型分界点可以是情景分界点。
[0074]
在一些实施例中，上述步骤101，可以包括：将所述目标信息节点的事件进阶特征信息，导入第一级联分类器，其中，第一级联分类器包括至少两个第一分类；根据第一级联分类器中各个第一分类器输出的置信度，生成所述第一分界点概率值。在这里，进阶特征包
括时序特征和/或注意力特征。
[0075]
在这里，级联分类器可以包括多个分类器，多个分类器在训练的时候级联。一般情况下，级联分类器中各级分类器的判断严苛程度不同。多个分类器在处理第一节点信息的时候，可以是相互独立的。级联分类器中的每个分类器，可以输出置信度。
[0076]
在这里，可以将第一级联分类器中的各个分类器，均成为第一分类器。第一分类器可以用于判断是否是第一类型分界点。
[0077]
请参考图3，第一节点信息，可以输入到第一级联分类器301的各个第一分类器中，各个第一分类器可以输出置信度，为了便于区分，第一级联分类器中的第一分类器可以分布成为第一分类器一号和第一分类器二号。图3中，为了示意图的简洁，第一级联分类器中以两个第一分类器示意，其它级联分类器同理。根据第一级联分类器中的分类器输出的置信度，可以得到第一分界点概率值。
[0078]
在一些实施例中，第一分界点概率值的生成，可以采用各种方式，例如，包括但是不限于以下至少一项：求取平均值、求取加权平均值、取中位数。
[0079]
需要说明的是，采用级联分类器处理事件进阶特征信息，可以减少假阳性的误识别，实现由粗到细的判断，提高确定目标信息节点是否事件分界点的准确度。
[0080]
在一些实施例中，第二级联分类器可以包括多个第二分类器，如图3所示。第二级联分类器302中的第二分类器(成为第二分类器一号和第二分类器二号)，可以共用镜头进阶特征信息，各个第二分类器均可以输出置信度。根据输出的置信度，可以生成镜头分界点概率值。
[0081]
在一些实施例中，第一级联分类器中的第一分类器与事件进阶特征提取网络一一对应。
[0082]
在一些实施例中，所述对于信息序列中的目标信息节点，根据所述目标信息节点的第一节点信息，确定第一分界点概率值，包括：获取目标信息节点的基础特征信息；将基础特征信息，导入各个事件进阶特征提取网络，得到事件进阶特征信息；将各个事件进阶特征信息，输入到对应的第一分类器中，得到第一分类器输出的置信度；根据各个第一分类器输出的置信度，确定第一分界点概率值。
[0083]
在这里，基础特征信息包括视觉特征信息和/或音频特征信息。
[0084]
在这里，进阶特征包括时序特征和/或注意力特征。
[0085]
请参考图4，第一级联分类器401，可以包括多个第一分类器。各个分类器，可以有自己的进阶特征提取网络。例如，事件进阶特征提取网络一号，可以输出事件进阶特征信息一号到第一分类器一号；事件进阶特征提取网络二号，可以输出事件进阶特征信息二号到第一分类器二号。
[0086]
同理，第二级联分类器401，可以包括多个第二分类器。各个分类器，可以有自己的进阶特征提取网络。例如，镜头进阶特征提取网络一号，可以输出镜头进阶特征信息一号到第二分类器一号；镜头进阶特征提取网络二号，可以输出事件进阶特征信息二号到第二分类器二号。
[0087]
换句话说，第一级联分类器中的第一分类器之间，可以共享提取网络(如图3)，也可以设置该分类器自己的提取网络(如图4)。
[0088]
需要说明的是，通过采用与分类器对应的提取网络提取进阶特征信息，可以使得
输入到各个分类器中的进阶特征信息与该分类器相适应。各个分类器的输入信息不同相对于分类器的输入信息相同，可以加大分类器输出信息的差异，提高各个分类器输出的信息的准确度。
[0089]
在一些实施例中，第二级联分类器包括至少两个第二分类器，第二级联分类器中的第二分类器与镜头进阶特征提取网络一一对应。
[0090]
在一些实施例中，所述根据第一分界点概率值和所述目标信息节点的第二节点信息，确定第二分界点概率值，包括：将所述基础特征信息，导入各个镜头进阶特征提取网络，得到各个镜头进阶特征信息；将各个镜头进阶特征信息和第一分界点概率值，输入到对应的第二分类器中，得到第二分类器输出的置信度；根据各个第二分类器输出的置信度，确定第二分界点概率值。
[0091]
作为示例，第二级联分类器402可以包括第二分类器一号和第二分类器二号。第二分类器一号可以与镜头进阶特征提取网络一号对应，镜头进阶特征提取网络一号可以用于提取目标信息节点的特征，得到镜头进阶特征信息一号；第一分界点概率值和镜头进阶特征提取网络一号输出的镜头进阶特征信息一号，可以作为第二分类器一号的输入，第二分类器一号可以输出置信度。
[0092]
作为示例，第二分类器二号可以与镜头进阶特征提取网络二号对应，镜头进阶特征提取网络二号可以用于提取目标信息节点的特征，得到镜头进阶特征信息二号；第一分界点概率值和镜头进阶特征提取网络二号输出的镜头进阶特征信息二号，可以作为第二分类器二号的输入，第二分类器二号可以输出置信度。
[0093]
需要说明的是，通过将第一分界点概率值输入到第二级联分类器的各个第二分类器中，可以使得各个第二分类器对第一分界点概率个性化处理，实现第一分界点概率在不同的第二分类器中发挥分量不同的作用，适应多个第二分类器在针对同一信息节点进行分类时候的差异化处理，与第二级联分类器配合提高第二分界点概率值的准确度。
[0094]
在一些实施例中，第三级联分类器包括至少两个第三分类器，第三级联分类器中的第三分类器与情景进阶特征提取网络一一对应。
[0095]
在这里，所述方法还包括：将所述基础特征信息，导入各个情景进阶特征提取网络，得到各个情景进阶特征信息；将各个情景进阶特征信息和以下至少一项：第一分界点概率值和第二分界点概率值，输入到对应的第三分类器中，得到第三分类器输出的置信度；根据各个第三分类器输出的置信度，确定第三分界点概率值，其中，第三分界点概率值指示目标信息节点是事件分界点的概率。
[0096]
在一些实施例中，获取训练样本的样本特征信息，其中，所述训练样本为样本信息序列中的信息节点；将样本特征信息导入到级联分类器中的目标分类器，其中，级联分类器中的各级分类器与误差标签一一对应，高于目标分类器的分类器的误差标签指示的误差，小于目标分类器的误差标签指示的误差；如果目标分类器的输出结果正确，则采用级别高于目标分类器的分类器处理样本节点信息；如果目标分类器的输出结果错误，则屏蔽该训练样本。
[0097]
需要说明的是，信息序列中分界点的区分，可能是非黑即白的。例如，视频中事件之间的分界点，可能很难用一帧图像表示。在一些相关技术中，可以设置误差标签的方式，针对性对冲分界点模棱两个的特点。也就是说，设置距离误差，在训练样本中针对某帧(例
如疑似分界点视频帧中处于中间位置的视频帧)打上正样本标签，然后，将与正样本在距离误差阈值范围内的也标记为正样本。
[0098]
但是，如果距离误差设置的比较大，训练样本中的正样本将会包括较多模棱两可的时间边界，以此训练分类器，将会导致分类器对于分界点的判断更宽松，导致预测出较多的假阳性(即将不是分界点的信息节点判断为分界点)。反过来，如果距离误差设置的比较小，那么训练样本中的正样本将会比较少，这种情况，导致包括分类器的网络接触到的正样本比例较少，不能重复学习到序列中作为分界点的正样本的特征。
[0099]
面对上述技术问题，本技术发明人想到设置级联分类结构。级联分类结构，可以通过设置一组分类器实现。
[0100]
作为示例，可以一组分类器可以记为{h1，h2，
……hn
}，每个分类器的输出可以标记为{s1，s2，
……
sn}，其中，n可以是级联的分类器个数。对于序列样本，可以将第100个图像帧设置为正样本。然后，可以设置一系列的误差标签，记为{u1，u2，
……
un}，u1≥u2≥
……
≥un。基于各个误差标签，可以确定训练样本(例如序列样本中的第105帧)的一系列样本标签，记为{l1，l2，
……
ln}。也就是，u1等于10，训练样本可以是正样本；u2等于6，训练样本可以是正样本；但是如果u2等于4，那么训练样本是负样本。
[0101]
作为示例，训练过程中，h1处理训练样本，得到s1的置信度如果不小于h1对应的置信度阈值，则将训练样本导入h2进行处理；得到s1的置信度如果小于h1对应的置信度阈值，则将训练样本抛弃。
[0102]
由此，可以在使得较高级别分类器接触的样本中具有较高比例的正样本，提高较高级别分类器对于正样本的辨识力和查准率。
[0103]
在一些应用场景中，分类器对应的置信度阈值与分类器的级别正相关。也就是说，较高级别的分类器，对应较高的置信度阈值。
[0104]
作为示例，l1是正样本标签，s1为90，h1对应的置信度阈值可以是60，那么可以采用h2处理训练样本。得到的s2是75，如果h2对应的置信度阈值是70，那么可以采用h3处理训练样本；如果h2对应的置信度阈值是80，那么可以屏蔽训练样本。可以理解，如果l2是负样本标签，但是s2是75并且h2对应的置信度阈值是70(即识别为正样本)，这种识别错误情况，可以在调整网络参数的时候得到优化，使得h2对训练样本的识别结果与h2对应的标签l2一致。
[0105]
在一些实施例中，所述方法还可以包括：从视频帧序列中，获取目标信息节点之前连续的预设数目个视频帧以及获取目标信息节点之后连续的预设数目个视频帧，得到视频帧子序列；将视频帧子序列导入预先训练的基础特征提取网络，得到目标信息节点的基础特征信息。
[0106]
作为示例，对于视频帧序列中的目标信息节点，可以针对视频中的时间t，提取时间范围为[t－k，t+k)内共2k帧的特征；也就是说，可以提取目标信息节点之前的连续k帧和之后的连续k帧，提取特征。根据提取的2k帧的特征，可以确定基础特征信息。视频帧序列中的这2k帧，可以作为视频子序列。
[0107]
在一些实施例中，所述基础特征提取网络包括以下至少一项：视觉特征提取网络和音频特征提取网络。
[0108]
在一些实施例中，所述将视频帧子序列导入基础特征提取网络，得到目标信息节点的基础特征信息，图5所示步骤。
[0109]
步骤501，获取与视频帧子序列对应的音频序列。
[0110]
步骤502，将所述视频帧子序列导入所述视频特征提取网络，得到视觉特征信息。
[0111]
步骤503，将所述音频序列导入所述音频特征提取网络，得到音频特征信息。
[0112]
步骤504，拼接所述视觉特征信息和所述音频特征信息，得到所述基础特征信息。
[0113]
在这里，视觉特征提取网络可以用于提取所述视频子序列的特征信息。
[0114]
在这里，音频特征提取网络可以用于提取音频序列的音频特征信息。
[0115]
在一些应用场景中，输入到级联分类器中的特征信息，可以是采用各种结构的特征提取网络提取得到的。
[0116]
在这里，进阶特征提取网络可以包括时序网络和/或注意力网络。
[0117]
在这里，音频序列中的音频特征信息与视频帧序列中的信息节点的发生时间具有一一对应关系。
[0118]
在一些应用场景中，视觉特征提取网络可以包括通道分离卷积网络(channel－separated convolution network，csn)。
[0119]
在一些应用场景中，信息序列可以是视频帧序列，辅助序列可以是音频序列。可以从原始视频中提取音频序列作为辅助序列。处理辅助序列的音频特征提取网络的具体结构，可以根据实际应用场景搭建，再次不做限定。
[0120]
作为示例，音频特征提取网络可以使用短时傅里叶变换对音频序列提取频域信息，之后使用n个1维的卷积层提取音频的时序特征。
[0121]
在一些应用场景中，时序网络可以用于提取时序特征。时序网络的具体结构可以根据实际应用场景搭建，在此不做限定。
[0122]
在一些应用场景中，注意力网络可以是基于注意力机制(attention mechanism)构建的神经网络。经过注意力网络的处理，可以抽取出子序列中对于分界点判断来说较为重要的特征。
[0123]
在一些实施例中，与分类器对应的提取网络包括视觉特征提取网络和音频特征提取网络。
[0124]
在这里，视觉特征提取网络的输出和音频特征提取网络的输出拼接得到基础特征信息。
[0125]
需要说明的是，拼接视频帧序列和音频序列的特征信息，可以利用音频信息中的音频与视频帧序列中的视频帧具有发生时间对应的特点，参考对应的时间点的其它类型信息，辅助确定目标信息节点是否是分界点。由此，可以以多模态数据为依据，判断目标信息节点是分界点，提高判断的准确度。
[0126]
在一些实施例中，进阶特征提取网络包括视觉特征提取网络和进阶特征提取网络。
[0127]
可选的，事件进阶特征提取网络可以包括时序网络和/注意力网络。
[0128]
在一些实施例中，对应进阶特征信息通过以下方式得到：在进阶特征提取网络包括时序网络和注意力网络时，将所述基础特征信息导入至所述时序网络，以及将所述基础特征信息导入至所述时序网络导入注意力网络；拼接时序提取网络的输出和注意力提取网络的输出，作为对应事件进阶特征信息。
[0129]
同理，镜头进阶特征信息，可以通过将基础特征信息导入镜头进阶特征提取网络
得到；情景进阶特征信息，可以通过将情景特征信息导入镜头进阶特征提取网络得到。
[0130]
在一些应用场景中，利用进阶特征提取网络提取时序和/或注意力特征，可以作为分类器前进行特征差异化的缓冲层，在设置进阶特征提取网络的基础上，共享视觉特征提取网络和音频特征提取网络，可以在保证各个类型的分界点的判断准确率的同时，减少计算量。
[0131]
在一些实施例中，所述时序网络包括空洞卷积。
[0132]
在一些应用场景中，时间上下文信息对于检测视频事件边界来说比较重要。不同的事件边界检测所需要的上下文信息量不同，有些事件边界需要很长的上下文信息才能成功检测。使用多层带空洞的1维卷积网络，可以网络时间范围的感受野。作为示例，每一层网络的空洞率是上一层的2倍，使用相同的卷积核以及残差连接。在时序卷积后，可以使用一个双向长短时记忆网络，捕捉整个序列的时序特征。之后，可以用一个最大池化提取每个时间点最大激活响应。
[0133]
在一些实施例中，注意力网络可以基于多头注意力机制构建。
[0134]
作为示例，可以使用n层的自注意力层处理视频序列中的每个视频帧，最后输出使用与时序模块相同的最大池化层得到每个时间未知的最大激活值。
[0135]
需要说明的是，采用多头注意力机制构建的注意力网络，可以充分挖掘鉴别性特征，关注分界点图像帧与非分界点图像帧之间的差异，以保证切分的精度。
[0136]
在这里，视觉特征提取网络的输出作为进阶特征提取网络的输入，进阶特征提取网络的输出作为进阶特征信息。
[0137]
需要说明的是，利用视觉特征提取网络提取子序列的基础特征后，利用进阶特征提取网络提取时序特征和注意力特征中的至少一项，可以利用经提炼的更深一步的特征，判断目标信息节点是否是分界点。由此，视觉特征提取网络的架设可以帮助提取出对分界点判断较为重要的特征，提高分界点判断的准确率。
[0138]
在一些实施例中，请参考图6，视觉特征提取网络的输出和音频特征提取网络的输出拼接得到第一拼接结果。
[0139]
在这里，第一拼接结果作为进阶特征提取网络的输入，进阶特征提取网络的输出作为节点信息。
[0140]
需要说明的是，采用进阶特征提取网络处理辅助序列的辅助特征信息，可以提取辅助序列中的时序特征和/或注意力特征，由此，可以采用更深层次的辅助特征作为参考信息，确定子序列中目标信息节点是否是分界点。
[0141]
在一些实施例中，请参考图7，视觉特征提取网络的输出作为进阶特征提取网络的输入，进阶特征提取网络的输出与音频特征提取网络的输出拼接得到第二拼接结果，第二拼接结果作为节点信息。
[0142]
作为示例，辅助信息可以是音频特征，音频特征可以进阶特征提取网络输出的信息拼接。由此，避免进阶特征提取网络处理辅助序列的音频特征，可以减少进阶特征提取网络的信息处理量。
[0143]
在一些实施例中，在进阶特征提取网络包括时序网络和注意力网络时，将时序网络的输出和注意力网络输出进行拼接，作为进阶特征提取网络的输出。
[0144]
在这里，拼接时序特征和注意力特征，作为进阶特征提取网络的输出，可以结合两
种深层次特征，确定目标信息节点是否是分界点。
[0145]
在一些实施例中，请参考图8，图8中示出了不仅与第一级联分类器对应的各个第一分类器共享视觉特征提取网络和音频特征提取网络，而且第一级联分类器、第二级联分类器和第三级联分类器之间，也共享视觉特征提取网络和音频特征提取网络。
[0146]
在这里，视觉特征提取网络和音频特征提取网络的共享，可以减少大量的计算量，节约计算资源。
[0147]
在图8中，进阶特征提取网络可以和分类器一一对应。分类模块801可以包括事件进阶特征提取网络和第一级联分类器中的第一分类器，分类模块801的右下方以
×
m表示具有m个分类模块801。分类模块802可以包括事件进阶特征提取网络和第二级联分类器中的第二分类器，分类模块802的右下方以
×
m表示具有m个分类模块802。分类模块803可以包括事件进阶特征提取网络和第三级联分类器中的第三分类器，分类模块803的右下方以
×
m表示具有m个分类模块803。
[0148]
进一步参考图9，作为对上述各图所示方法的实现，本公开提供了一种信息处理装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0149]
如图9所示，本实施例的信息处理装置包括：第一确定单元901、第二确定单元902单元和第三确定单元903。其中，第一确定单元，用于对于信息序列中的目标信息节点，根据所述目标信息节点的第一节点信息，确定第一分界点概率值，其中，第一分界点概率值指示目标信息节点是第一类型分界点的概率；第二确定单元，用于根据第一分界点概率值和所述目标信息节点的第二节点信息，确定第二分界点概率值，其中，第二分界点概率值指示所述信息节点是第二类型分界点的概率；第三确定单元，用于基于所述第一分界点概率值和所述第二分界点概率值，确定所述信息序列的至少两种切分方式，其中，不同切分方式的切分粒度不同。
[0150]
在本实施例中，信息处理装置的第一确定单元901、第二确定单元902单元和第三确定单元903的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102和步骤103的相关说明，在此不再赘述。
[0151]
在一些实施例中，所述装置还用于：获取所述目标信息节点的第三节点信息；根据所述第三节点信息和以下至少一项：所述第一分界点概率值和第二分界点概率值，确定第三分界点概率值，其中，第三分界点概率值用于指示目标信息节点是第三类型分界点的概率；以及所述根据所述第一分界点概率值和所述第二分界点概率值，确定所述信息序列的至少两种切分方式，还包括：确定与第三类型分界点对应的切分方式。
[0152]
在一些实施例中，装置还包括多种不同切分方式和对应的多个分界点概率值，每个分界点概率值的确定与至少一个其他的分界点概率值有关。
[0153]
在一些实施例中，信息序列包括视频帧序列，第一类型分界点为事件分界点，第二类型分界点为镜头分界点，第三类型分界点为情景分界点。
[0154]
在一些实施例中，所述对于信息序列中的目标信息节点，根据所述目标信息节点的第一节点信息，确定第一分界点概率值，包括：将所述目标信息节点的事件进阶特征信息，导入第一级联分类器，其中，第一级联分类器包括至少两个第一分类，其中，进阶特征包括时序特征和/或注意力特征；根据第一级联分类器中各个第一分类器输出的置信度，生成
所述第一分界点概率值。
[0155]
在一些实施例中，第一级联分类器中的第一分类器与事件进阶特征提取网络一一对应；以及所述对于信息序列中的目标信息节点，根据所述目标信息节点的第一节点信息，确定第一分界点概率值，包括：获取目标信息节点的基础特征信息，其中，基础特征信息包括视觉特征信息和/或音频特征信息；将基础特征信息，导入各个事件进阶特征提取网络，得到事件进阶特征信息，其中，进阶特征包括时序特征和/或注意力特征；将各个事件进阶特征信息，输入到对应的第一分类器中，得到第一分类器输出的置信度；根据各个第一分类器输出的置信度，确定第一分界点概率值。
[0156]
在一些实施例中，第二级联分类器包括至少两个第二分类器，第二级联分类器中的第二分类器与镜头进阶特征提取网络一一对应；以及所述根据第一分界点概率值和所述目标信息节点的第二节点信息，确定第二分界点概率值，包括：将所述基础特征信息，导入各个镜头进阶特征提取网络，得到各个镜头进阶特征信息；将各个镜头进阶特征信息和第一分界点概率值，输入到对应的第二分类器中，得到第二分类器输出的置信度；根据各个第二分类器输出的置信度，确定第二分界点概率值。
[0157]
在一些实施例中，第三级联分类器包括至少两个第三分类器，第三级联分类器中的第三分类器与情景进阶特征提取网络一一对应；以及所述装置还用于：将所述基础特征信息，导入各个情景进阶特征提取网络，得到各个情景进阶特征信息；将各个情景进阶特征信息和以下至少一项：第一分界点概率值和第二分界点概率值，输入到对应的第三分类器中，得到第三分类器输出的置信度；根据各个第三分类器输出的置信度，确定第三分界点概率值，其中，第三分界点概率值指示目标信息节点是事件分界点的概率。
[0158]
在一些实施例中，级联分类器的训练步骤包括：获取训练样本的样本特征信息，其中，所述训练样本为样本信息序列中的信息节点；将样本特征信息导入到级联分类器中的目标分类器，其中，级联分类器中的各级分类器与误差标签一一对应，高于目标分类器的分类器的误差标签指示的误差，小于目标分类器的误差标签指示的误差；如果目标分类器的输出结果正确，则采用级别高于目标分类器的分类器处理样本节点信息；如果目标分类器的输出结果错误，则屏蔽该训练样本。
[0159]
在一些实施例中，所述装置还用于：从视频帧序列中，获取目标信息节点之前连续的预设数目个视频帧以及获取目标信息节点之后连续的预设数目个视频帧，得到视频帧子序列；将视频帧子序列导入预先训练的基础特征提取网络，得到目标信息节点的基础特征信息。
[0160]
在一些实施例中，所述基础特征提取网络包括以下至少一项：视觉特征提取网络和音频特征提取网络；以及所述将视频帧子序列导入基础特征提取网络，得到目标信息节点的基础特征信息，包括：获取与视频帧子序列对应的音频序列；将所述视频帧子序列导入所述视频特征提取网络，得到视觉特征信息；将所述音频序列导入所述音频特征提取网络，得到音频特征信息；拼接所述视觉特征信息和所述音频特征信息，得到所述基础特征信息。
[0161]
在一些实施例中，事件进阶特征提取网络，包括时序网络和/或注意力网络；以及进阶特征信息通过以下方式得到：在进阶特征提取网络包括时序网络和注意力网络时，将所述基础特征信息导入至所述时序网络，以及将所述基础特征信息导入至所述注意力网络；拼接时序提取网络的输出和注意力提取网络的输出，作为所述对应进阶特征信息。
[0162]
在一些实施例中，时序网络包括空洞卷积。
[0163]
在一些实施例中，所述注意力网络基于多头注意力机制构建。
[0164]
在一些实施例中，所述信息序列为文本信息序列。
[0165]
请参考图10，图10示出了本公开的一个实施例的信息处理方法可以应用于其中的示例性系统架构。
[0166]
如图10所示，系统架构可以包括终端设备1001、1002、1003，网络1004，服务器1005。网络1004用以在终端设备1001、1002、1003和服务器1005之间提供通信链路的介质。网络1004可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0167]
终端设备1001、1002、1003可以通过网络1004与服务器1005交互，以接收或发送消息等。终端设备1001、1002、1003上可以安装有各种客户端应用，例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备1001、1002、1003中的客户端应用可以接收用户的指令，并根据用户的指令完成相应的功能，例如根据用户的指令在信息中添加相应信息。
[0168]
终端设备1001、1002、1003可以是硬件，也可以是软件。当终端设备1001、1002、1003为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备1001、1002、1003为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0169]
服务器1005可以是提供各种服务的服务器，例如接收终端设备1001、1002、1003发送的信息获取请求，根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备1001、1002、1003。
[0170]
需要说明的是，本公开实施例所提供的信息处理方法可以由终端设备执行，相应地，信息处理装置可以设置在终端设备1001、1002、1003中。此外，本公开实施例所提供的信息处理方法还可以由服务器1005执行，相应地，信息处理装置可以设置于服务器1005中。
[0171]
应该理解，图10中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0172]
下面参考图11，其示出了适于用来实现本公开实施例的电子设备(例如图10中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0173]
如图11所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)1101，其可以根据存储在只读存储器(rom)1102中的程序或者从存储装置1108加载到随机访问存储器(ram)1103中的程序而执行各种适当的动作和处理。在ram 1103中，还存储有电子设备1100操作所需的各种程序和数据。处理装置1101、rom 1102以及ram 1103通过总线1104彼此相连。输入/输出(i/o)接口1105也连接至总线1104。
[0174]
通常，以下装置可以连接至i/o接口1105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1106；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置1107；包括例如磁带、硬盘等的存储装置1108；以及通信装置1109。通信装置1109可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0175]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1109从网络上被下载和安装，或者从存储装置1108被安装，或者从rom 1102被安装。在该计算机程序被处理装置1101执行时，执行本公开实施例的方法中限定的上述功能。
[0176]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd－rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0177]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0178]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0179]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对于信息序列中的目标信息节点，根据所述目标信息节点的第一节点信息，确定第一分界点概率值，其中，第一分界点概率值指示目标信息节点是第一类型分界点的概率；根据第一分界点概率值和所述目标信息节点的第二节点信息，确定第二分界点概率值，其中，第二分界点概率值指示所述信息节点是第二类型分界点的概率，
第一类型分界点和第二类型分界点关联；基于所述第一分界点概率值和所述第二分界点概率值，确定所述信息序列的至少两种切分方式，其中，不同切分方式的切分粒度不同。
[0180]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码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)。
[0181]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
[0182]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一确定单元还可以被描述为“确定第一分界点概率值的单元”。
[0183]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0184]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd－rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0185]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0186]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0187]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。