构建视觉模型结构的方法、装置、介质及边缘计算设备与流程

1.本公开涉及智能交通技术领域，尤其涉及构建视觉模型技术领域，具体涉及一种构建视觉模型结构的方法、装置、介质及边缘计算设备。


背景技术：

2.随着计算设备的更新和大规模公有数据集的公开，视觉基础模型已经得到了很好的研究。视觉基础模型可以用于提取图像特征进行图像分类，还可以用于执行一些视觉任务，例如，目标检测、图像分割等任务。
3.因此对视觉基础模型的参数量、模型性能以及推理时间的要求也越来越高。特别是在智能交通中对路侧感知设备获取的大量交通图像进行快速处理，对视觉基础模型的性能提出了更高的要求。


技术实现要素：

4.本公开提供了一种用于构建视觉模型结构的方法、装置、介质及边缘计算设备。
5.根据本公开的第一方面，提供了一种构建视觉模型结构的方法，包括：
6.获取目标图像的本征特征，并基于所述本征特征，确定所述目标图像的局部特征和全局特征；建立所述本征特征、所述局部特征和所述全局特征之间的全局相互关系；基于所述全局相互关系，构建视觉模型的全局注意力模型结构。
7.根据本公开的第二方面，提供了一种构建视觉模型结构的装置，包括：
8.确定模块，用于获取目标图像的本征特征，并基于所述本征特征，确定所述目标图像的局部特征和全局特征；建立模块，用于建立所述本征特征、所述局部特征和所述全局特征之间的全局相互关系；构建模块，用于基于所述全局相互关系，构建视觉模型的全局注意力模型结构。
9.根据本公开的第三方面，提供了一种电子设备，包括：
10.至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
11.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面所述的方法。
12.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的方法。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.附图用于更好地理解本方案，不构成对本公开的限定。其中：
15.图1示出了本公开实施例提供的一种构建视觉模型结构的方法的流程示意图；
16.图2示出了本公开实施例提供的又一种构建视觉模型结构的方法的流程示意图；
17.图3示出了本公开实施例提供的一种构建模视觉型结构的方法中得到局部特征的流程示意图；
18.图4示出了本公开实施例提供的又一种构建视觉模型结构的方法的流程示意图；
19.图5示出了本公开实施例提供的一种构建视觉模型结构的方法建立全局相互关系的流程示意图；
20.图6示出了本公开实施例提供的又一种构建视觉模型结构的方法的流程示意图；
21.图7示出了本公开实施例提供的一种构建视觉模型结构的装置的结构示意图；
22.图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
23.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
24.随着计算设备的更新和大规模公有数据集的公开，视觉基础模型已经得到了很好的研究。视觉基础模型可以用于提取图像特征进行图像分类，还可以用于执行一些视觉任务，例如，目标检测、图像分割等任务。
25.相关技术中，视觉基础模型可以包括通用类基础模型和轻量类基础模型。通用类基础模型包括googlenet,resnet,和resnext等。轻量类基础模型包括mobilenet和shufflenet等。
26.但是，通用类基础模型参数量比较大，无法将通用类基础模型嵌入到移动终端或者其他小型的终端设备中。轻量类基础模型利用深度可分离卷积或者组卷积等操作可以简化模型的参数量和计算量，可以嵌入到小型的终端设备中，但是轻量类基础模型的精度与通用类基础模型的精度相比，相对较差，因此轻量类基础模型的性能也存在不足。为增加轻量类基础模型的性能，开发senet,non-local,danet等功能。例如，senet通过少量的参数增加来区别不同通道特征的重要程度，non-local模型对每一个空间位置信息建立了一个全局关系网，计算量随着特征尺度的增加平方扩大。danet模型同时建立了通道关系网和空间关系网。无论是何种方式，都可以通过提升模型的特征提取能力来提升模型的性能，但是同时也会有参数量合计算量的增加。
27.基于此，本公开提供一种构建视觉模型结构的方法和装置，通过建立不同区域特征全局关联模块，来提升模型的性能。并且不同区域特征全局关联模块可以在不增加模型参数量的前提下提升模型的特征提取能力，还可以无损的嵌入本模块到上述的视觉基础模型的模型结构中。
28.下述实施例将结合附图对本公开进行说明。
29.图1示出了本公开实施例提供的一种构建视觉模型结构的方法的流程示意图，如图1中所示，该方法可以包括：
30.在步骤s110中，获取目标图像的本征特征，并基于本征特征，确定目标图像的局部
特征和全局特征。
31.在本公开实施例中，基于指定数量的通道检测目标图像，获取目标图像的本征特征，得到检测目标图像本征特征的通道数(channel)、本征特征的长(height)和本征特征的宽(width)。本公开为便于描述，将通道数、本征特征的长和本征特征的宽采用(c，h，w)进行表示。
32.通过对目标图像的本征特征进行扩维，卷积、降维等处理后，得到目标图像的局部特征。对目标图像的本征特征进行自适应池化操作，特征维度尺度变化等操作，得到目标图像的全局特征。
33.在步骤s120中，建立本征特征、局部特征和全局特征之间的全局相互关系。
34.在本公开实施例中，对具有全局相互关系的全局特征的维度进行尺度变化，将全局特征添加至局部特征中，再与本征特征进行运算，得到目标图像的本征特征、局部特征和全局特征建立全局相互关系。
35.在步骤s130中，基于全局相互关系，构建视觉模型的全局注意力模型结构。
36.在本公开实施例中，将建立的本征特征、局部特征和全局特征之间的全局相互关系，添加至视觉模型的模型结构中，构建视觉模型的全局注意力模型结构。
37.通过本公开实施例提供的构建视觉模型结构的方法，建立本征特征、局部特征和全局特征之间的全局相互关系，建立的全局相互关系可以无损的嵌入到视觉模型的结构中，在不增加模型参数量的前提下提升模型的特征提取能力，进而提升模型的性能。
38.图2示出了本公开实施例提供的一种构建视觉模型结构的方法的流程示意图，如图2中所示，该方法可以包括：
39.在步骤s210中，基于第一数量的通道，检测目标图像的特征，得到第一数量的本征特征。
40.在本公开实施例中，获取检测目标图像的特征的通道数，本公开为便于描述，将检测目标图像的特征的通道数称为第一数量。基于第一数量的通道检测目标图像，得到第一数量的本征特征。
41.在步骤s220中，增加通道数，得到第二数量的通道，并基于第二数量的通道检测本征特征，得到第二数量的本征特征。
42.在本公开实施例中，第二数量大于第一数量。
43.进一步地，可以通过增加检测特征的通道数，对目标图像的本征特征进行扩维，得到第二数量检测本征特征的通道。
44.图3示出了本公开实施例提供的一种构建视觉模型结构的方法中得到局部特征的流程示意图，如图3中所示，基于第二数量的通道检测本征特征，对第二数量的本征特征进行批量归一化处理，并使用激活函数进行操作，得到第二数量的本征特征。其中，激活函数可以是relu。
45.在步骤s230中，采用深度可分离卷积，基于第二数量通道，分别提取第二数量的本征特征中每个本征特征的局部特征，得到第二数量的局部特征。
46.在本公开实施例中，如图3中所示，对本征特征进行扩维后，利用深度可分离卷积(depthwise)对第二数量的本征特征进行卷积操作，并进行批量归一化处理，并使用激活函数进行激活。
47.其中，利用深度可分离卷积对第二数量的本征特征进行卷积操作可以理解为，按照设定卷积核大小(例如3x3)，采用输入通道数与输出通道数相同的通道数，对目标图像进行局部特征的提取。即，输入通道与输出通道为一一对应关系，基于第二数量通道，分别提取第二数量的本征特征中每个本征特征的局部特征，从而得到第二数量的局部特征。
48.在本公开实施例中，基于卷积运算操作，例如再次基于conv1x1，将深度可分离卷积输出的本征特征映射到和模块初始特征相同的维度大小，从而可以得到目标图像的局部特征。
49.图4示出了本公开实施例提供的一种构建视觉模型结构的方法的流程示意图，如图4中所示，该方法可以包括：
50.在步骤s310中，获取第二数量的本征特征。
51.在步骤s320中，基于二维自适应池化操作，按照不同比例对所述本征特征的长维度和宽维度进行降维操作，得到多种不同维度的本征特征。
52.在本公开中，一种维度本征特征的长维度和另一种维度本征特征的宽维度相等。
53.在步骤s330中，对多种不同维度的本征特征进行矩阵相乘，得到不同区域特征之间的全局相互关系，并将全局相互关系的确定为全局特征。
54.在本公开实施例中，可以采用二维自适应池化操作对特征图的维度进行降维。进一步地，可以利用自适应池化操作，对第二数量的本征特征的长维度和本征特征的宽维度进行降维，得到多种不同维度的本征特征。
55.并对降维之后的多种不同维度的本征特征进行矩阵相乘，得到不同区域特征之间的全局相互关系，从而得到全局特征。其中，在本公开，通过对降维之后的多种不同维度的本征特征进行矩阵相乘操作，可以长距离关联不同区域特征得信息。
56.在本公开实施例中，还可以对降维之后得到得全局特征的维度进行尺度变化，使得全局特征的维度大小与局部特征的维度大小相同。
57.图5示出了本公开实施例提供的一种构建视觉模型结构的方法建立全局相互关系的流程示意图，如图5中所示，自适应池化操作后，建立不同区域位置特征的全局相互关系。并对建立的全局相互关系进行尺度变化。
58.在本公开中，在对全局特征进行尺度变化之后，还可以采用数值区间对的全局相互关系进行表示。例如，如图6所示，利用激活函数sigmoid操作将这种关系的值域缩放到一个数值区间。在本公开中，数值区间的一端用于表征全局相互关系为不相关，数值区间的另一端用于表征全局相互关系为完全相关。例如，数值区间可以是[0,1]。其中，0表征特征之间完全不相关，1表征特征之间完全相关。
[0059]
图6示出了本公开实施例提供的一种构建视觉模型结构的方法的流程示意图，如图6中所示，该方法可以包括：
[0060]
在步骤s410中，将建立的全局相互关系与第二数量的局部特征做乘积运行，得到第二数量具有所述全局相互关系的局部特征。
[0061]
在步骤s420中，对第二数量具有全局相互关系的局部特征进行降维，得到第一数量具有全局相互关系的局部特征。
[0062]
在步骤s430中，基于第一数量具有全局相互关系的局部特征与本征特征的和，建立本征特征、局部特征和全局特征之间的全局相互关系。
[0063]
在本公开中，将建立的全局相互关系与具有全局相关关系的全局特征进行矩阵相乘运算，得到第二数量具有全局相互关系的局部特征。对第二数量具有全局相互关系的局部特征进行降维，得到第一数量具有全局相互关系的局部特征；将第一数量具有全局相互关系的局部特征，添加至视觉模型的模型结构，再与本征特征进行相加，得到可以获得目标图像特征全局相互关系的全局注意力模型结构。
[0064]
在本公开中，目标图像中包括多个特征，通过全局注意力模型结构可以获得特征之间的全局相互关系，从而准确确定目标图像中的目标特征。
[0065]
在本公开实施例中还包括模型的训练和保存，其中，模型可以理解为是视觉基础模型，在本公开中，视觉基础模型也可以称为视觉模型。模型的输入可以是训练数据和对应的标签，输出为保存的模型。
[0066]
模型的训练和保存的实施方式为，获取训练数据和包含全局注意力模型结构的视觉模型，将训练数据批量输入至视觉模型中，训练全局注意力模型结构；确定视觉模型的输出值于实际输出值的误差，并基于误差确定误差梯度，基于误差梯度更新视觉模型的权重，循环训练全局注意力模型结构。响应于视觉模型满足预设条件，保存视觉模型。
[0067]
以mobilenetv2结构搭建模型为例，将本公开中的全局注意力模型结构添加至mobilenetv2结构中，初始化mobilenetv2模型参数。批量输入数据到模型，进行前向传播。计算由步骤二得到的输出与label之间的误差。反传误差梯度更新权重。判断保存条件是否满足，满足保存此次模型。其中，判断条件可以是每迭代指定数量次模型，则保存一次。例如，每迭代20次，将第20次训练的mobilenetv2模型进行保存。判断条件也可以是设置一个阈值，选择满足阈值的mobilenetv2模型进行保存。
[0068]
在本公开中，如上述实施例，保存的视觉模型为多个，可以通过对每个视觉模型进行检测，确定最终保存和使用的视觉模型。
[0069]
其实施方式可以是，获取测试数据，并基于测试数据对保存的多个视觉模型进行检测，得到每个视觉模型的检测结果。比较检测结果，确定最终保存的视觉模型。进一步的，依次加载训练保存的视觉模型，输入待推理的数据至视觉模型，若第一次预测视觉模型的结果优于现有保存的结果，则最后结果替换为本次的测试模型和结果。即，可以理解为，将所有视觉模型的检测结果中，将检测结果最优的视觉模型进行保存。
[0070]
基于与图1中所示的方法相同的原理，图7示出了本公开实施例提供的一种构建视觉模型结构的装置的结构示意图，如图7所示，该构建视觉模型结构的装置100可以包括：
[0071]
确定模块101，用于获取目标图像的本征特征，并基于所述本征特征，确定所述目标图像的局部特征和全局特征；建立模块102，用于建立所述本征特征、所述局部特征和所述全局特征之间的全局相互关系；构建模块103，用于基于所述全局相互关系，构建视觉模型的全局注意力模型结构。
[0072]
在本公开实施例中，所述确定模块101，用于基于第一数量的通道，检测目标图像的特征，得到第一数量的本征特征；增加通道数，得到第二数量的通道，并基于所述第二数量的通道检测所述本征特征，得到第二数量的本征特征；其中，所述第二数量大于第一数量；采用深度可分离卷积，基于第二数量通道，分别提取第二数量的本征特征中每个本征特征的局部特征，得到第二数量的局部特征。
[0073]
在本公开实施例中，所述确定模块101，用于获取第二数量的本征特征；基于二维
自适应池化操作，按照不同比例对所述本征特征的长维度和宽维度进行降维操作，得到多种不同维度的本征特征，其中一种维度本征特征的长维度和另一种维度本征特征的宽维度相等；对所述多种不同维度的本征特征进行矩阵相乘，得到不同区域特征之间的全局相互关系，并将所述全局相互关系确定为全局特征。
[0074]
在本公开实施例中，所述建立模块102，还用于基于局部特征的维度大小，对所述全局特征的长维度和宽维度进行尺度变化，得到全局特征的维度大小；其中，所述全局特征的维度大小与所述局部特征的维度大小相同。
[0075]
在本公开实施例中，所述确定模块101，还用于采用数值区间对所述全局相互关系进行表示；其中，所述数值区间的一端用于表征所述全局相互关系为不相关，所述数值区间的另一端用于表征所述全局相互关系为完全相关。
[0076]
在本公开实施例中，所述建立模块102，用于将建立的所述全局相互关系与第二数量的局部特征做乘积运行，得到第二数量具有所述全局相互关系的局部特征；对第二数量具有所述全局相互关系的局部特征进行降维，得到第一数量具有所述全局相互关系的局部特征；基于所述第一数量具有所述全局相互关系的局部特征与所述本征特征的和，建立本征特征、所述局部特征和所述全局特征之间的全局相互关系。
[0077]
在本公开实施例中，所述构建模块103用于将建立的所述全局相互关系，添加至视觉模型的模型结构，得到全局注意力模型结构。
[0078]
在本公开实施例中，所述确定模块101，还用于获取训练数据和包含所述全局注意力模型结构的视觉模型；将所述训练数据批量输入至所述视觉模型中，训练所述全局注意力模型结构；确定所述视觉模型的输出值与实际输出值的误差，并基于所述误差更新所述视觉模型的权重，循环训练所述全局注意力模型结构；响应于所述视觉模型满足预设条件，保存所述视觉模型。
[0079]
在本公开实施例中，保存的所述视觉模型为多个；
[0080]
所述确定模块101，还用于获取测试数据，并基于所述测试数据对保存的多个所述视觉模型进行检测，得到每个所述视觉模型的检测结果；比较所述检测结果，确定最终保存的所述视觉模型。
[0081]
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0082]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质、一种计算机程序产品和一种边缘计算机设备。
[0083]
可选的，边缘计算设备可以是路侧设备、路侧计算设备、路侧计算单元(road side computing unit,rscu)等。
[0084]
可选的，边缘计算设备除了包括电子设备，还可以包括通信部件等，电子设备可以和通信部件一体集成，也可以分体设置。电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行图像、视频处理和数据计算，再经由通信部件向云控平台传送处理和计算结果。可选的，电子设备自身也可以具备感知数据获取功能和通信功能，例如是ai相机，电子设备可以直接基于获取的感知数据进行图像视频处理和数据计算，再向云控平台传送处理和计算结果。
[0085]
可选的，云控平台在云端执行处理，云控平台包括的电子设备可以获取感知设备
(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算；云控平台也可以称为车路协同管理平台、v2x平台、云计算平台、中心系统、云端服务器等。
[0086]
图8示出了可以用来实施本公开的实施例的示例电子设备200的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0087]
如图8所示，设备200包括计算单元201，其可以根据存储在只读存储器(rom)202中的计算机程序或者从存储单元208加载到随机访问存储器(ram)203中的计算机程序，来执行各种适当的动作和处理。在ram 203中，还可存储设备200操作所需的各种程序和数据。计算单元201、rom 202以及ram 203通过总线204彼此相连。输入/输出(i/o)接口205也连接至总线204。
[0088]
设备200中的多个部件连接至i/o接口205，包括：输入单元206，例如键盘、鼠标等；输出单元207，例如各种类型的显示器、扬声器等；存储单元208，例如磁盘、光盘等；以及通信单元209，例如网卡、调制解调器、无线通信收发机等。通信单元209允许设备200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0089]
计算单元201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元201的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元201执行上文所描述的各个方法和处理，例如构建视觉模型结构的方法。例如，在一些实施例中，构建视觉模型结构的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元208。在一些实施例中，计算机程序的部分或者全部可以经由rom 202和/或通信单元209而被载入和/或安装到设备200上。当计算机程序加载到ram 203并由计算单元201执行时，可以执行上文描述的构建视觉模型结构的方法的一个或多个步骤。备选地，在其他实施例中，计算单元201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行构建视觉模型结构的方法。
[0090]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0091]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件
包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0092]
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。
[0093]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0094]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0095]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0096]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0097]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。