基于嵌入增强和自适应的小样本图像增量分类方法及装置

1.本发明涉及自动识别技术领域，尤其涉及一种基于嵌入增强和自适应的小样本图像增量分类方法及装置。


背景技术：

2.得益于大量标记数据集的可用性，深度学习技术在许多计算机视觉任务中取得了显著的成功。而手动标记数据是一个昂贵且耗时的过程，并且图像种类繁多，几乎不可能一次性完整标注所有可能的图像类型，因此，当前大多数分类算法的开发大都处在一个封闭、静态的环境下，针对一种或几种特定类别而开发的。但实际场景通常是动态、开放和非平稳的，随着新类别样本的不断出现，分类算法需要大量新类标注数据和旧数据对模型进行再训练，造成成本高。同时，新类别的数据量往往比较少，数据的稀缺性会导致模型严重过拟合，不利于增量学习的进行。目前图像分类领域相关的主要研究方案有：
3.方案1)增量学习：旨在能够处理现实世界中连续出现的足够量的新增数据，在学习新知识的同时，保留甚至整合、优化旧知识。大部分研究方法通过存储有限的旧类样本或基于损失学习以从旧类中获得知识，以防止忘记以前的任务，这些方法在新增样本数据量充足的情况下效果很好，但是当增量样本较少的情况下表现不佳，小样本增量学习中的数据短缺问题将进一步加剧知识遗忘和过度拟合问题。
4.方案2)小样本学习：旨在当仅从稀有的标记训练示例中进行训练时，该模型可以对看不见的图像进行分类。大部分研究通过元学习、度量学习或优化学习等方式训练任模型参数，并让该模型能快速适配新的小样本数据，但是模型更专注于捕获对当前任务有用的特征，而丢弃那些对之前任务或者未来任务有判别性的数据特征，不利于增量学习的进行。
5.方案3)增量小样本学习：旨在从少量样本数据增量性地具备分类新类别而不忘记旧类别的能力。目前研究中主要有两种方式：一种是通过少量新样本数据对嵌入模型进行微调并统一分类器，但在新会话中对网络进行微调会导致旧类别的知识遗忘；另一种是将嵌入表示和分类器的学习解耦，在学习新任务时只更新分类器，但冻结嵌入表示网络对于后续的小样本增量任务的特征嵌入缺乏适应性，不利于新样本的自适应学习。
6.因此，现有技术中，大部分的研究工作还未能提出有效的方法缓解真实场景动态发展的问题，使深度学习技术在相关领域的发展受到限制。针对现有技术存在的缺点，本发明在方案3)将嵌入表示和分类器解耦的基础上设计了一种基于嵌入增强和自适应的小样本图像增量分类方法及装置，与其不同的是，我们认为良好泛化的特征嵌入对后续小样本增量任务至关重要，因此我们进一步增强特征提取网络；同时采用混合关系映射的方式对原型表示和查询数据特征嵌入表示进行自适应调整。


技术实现要素：

7.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
8.为此，本发明的第一个目的在于提出一种基于嵌入增强和自适应的小样本图像增量分类方法，以实现在出现新类别图像时，避免对模型完全重新训练、大大减少计算资源开销以及促进系统的长期运营。
9.本发明的第二个目的在于提出一种基于嵌入增强和自适应的小样本图像增量分类装置。
10.本发明的第三个目的在于提出一种非临时性计算机可读存储介质。
11.本发明的第四个目的在于提出一种计算机程序产品。
12.为达上述目的，本发明第一方面实施例提出了一种方法，包括：
13.获取图像增量分类系统，所述图像增量分类系统用于对待分类图像进行增量分类任务；
14.获取待分类图像，并将所述待分类图像上传至所述图像增量分类系统进行识别；
15.在所述图像增量分类系统识别失败时，从所述待分类图像中获取该类别少量图像作为训练样本，并将所述训练样本通过特征预训练模块计算得到目标原型，并通过混合关系映射模块对所述目标原型和/或原始原型进行自适应调整，以更新所述图像增量分类系统中所有原型，以通过调整后的所述图像增量分类系统实现对未识别类别的待分类图像的分类识别；
16.在所述图像增量分类系统识别成功时，根据所述待分类图像通过特征预训练模块、混合关系映射模块和ncm分类器进行分类识别，并输出分类结果。
17.可选地，在本发明的一个实施例中，所述获取图像增量分类系统，包括：
18.根据数据集及任务特点选择嵌入表示模型，并结合自监督学习和注意力机制形成特征预训练模块，基于图像分类标注结果对所述模型的特征预训练模块进行预训练；
19.获取所述特征预训练模块的输出结果；
20.基于所述特征预训练模块的输出结果，完成图像增量分类系统的训练。
21.可选地，在本发明的一个实施例中，所述获取特征预训练模块的输出结果可以包括：
22.特征预训练模块的输出结果未达到预期精度，调整特征预训练模块超参数，并进一步对特征预训练模块进行预训练；
23.特征预训练模块的输出结果达到预期精度，冻结特征预训练模块参数，并通过伪增量情节选择模块选取伪增量情节，对混合关系映射模块和ncm分类器进行训练。
24.可选地，在本发明的一个实施例中，所述伪增量情节选择模块，包括：
25.伪基类，所述伪基类包括：在每次迭代中利用来自基础数据集生成n-way k-shot形式的支持集sb，相应的查询集qb是从n个类别中采样形成的，每个类别包含e个查询样本，其中，n、e为正整数，e》n，所述查询集与所述支持集中的样本不同，可以用(sb,qb)来表示；
26.伪增量类，所述伪增量类包括：将所述伪基类的每个样本旋转270度，可以用(si,qi)来表示。
27.可选地，在本发明的一个实施例中，所述混合关系映射模块，包括：
28.根据伪增量情节，使用特征预训练模块f来提取伪基类和伪增量类的特征表示，对于支持集特征表示我们使用均值向量为每个类计算一个原型向量作为分类器初始权重，
[0029][0030]
其中，c表示类别，所述伪基类和所述伪增量类总共2n个类别，sj为sb∪si中的一个样本，为sj的特征嵌入。我们将伪基类和伪增量类的原型表示和查询集嵌入表示分别合并在一起，得到所有类别的原型表示集合和查询集嵌入表示集合，分别用mc和xq表示；
[0031]
原型自我映射(psp)，所述psp通过对原始原型表示与新的原型表示建立全局依赖关系，对所有原型进行自适应调整；其中，psp的输入采用(query,key,value)的三元组形式， query,key和value共享相同的输入源mc，psp可以表述为：
[0032]
query＝mcwqkey＝mcwkvalue＝mcwv[0033][0034]
d为query的维度，wq/wk/wv是三个线性投影层的可学习参数，将所述原始原型投影到共享度量空间，通过softmax归一化得到共享空间中各个原型表示之间的关系矩阵，所述关系矩阵作为权重系数以聚合来自value中所有原型表示的信息，并与所述原始原型融合获得更新后的原型mc′
；
[0035]
查询集交叉映射(qcp)，所述qcp将查询集嵌入表示与每个原型之间建立相关性，适应当前分类任务；其中查询集嵌入表示需要通过与原型表示之间的距离进行分类，为此，我们引入了从查询集嵌入表示xq到原型mc′
的交叉映射调整查询集嵌入表示，使得查询集样本可以更好的适应目标分类任务，公式如下：
[0036][0037]
优化训练，所述优化训练通过余弦相似度函数计算所有所述查询集嵌入表示和原型之间的语义差异，利用最近临均值ncm分类器进行分类，并利用交叉熵损失函数对模型参数进行优化。
[0038]
可选地，在本发明的一个实施例中，所述对混合关系映射模块和ncm分类器进行训练，包括：
[0039]
混合关系映射模块和ncm分类器训练结果未达到预期精度，调整超参数，并通过伪增量情节选择模块选取伪增量类，继续对混合关系映射模块和ncm分类器进行训练；
[0040]
混合关系映射模块和ncm分类器训练结果达到预期精度，冻结混合关系映射模块参数，流程结束。
[0041]
为达上述目的，本发明第二方面实施例提出了一种基于嵌入增强和自适应的小样本图像增量分类装置，包括：
[0042]
第一获取模块，用于获取图像增量分类系统，所述图像增量分类系统用于对待分类图像进行增量分类任务；
[0043]
第二获取模块，用于获取待分类图像，并将所述待分类图像上传至所述图像增量分类系统进行识别；
[0044]
第一分类模块，用于在所述图像增量分类系统识别失败时，从所述待分类图像中获取该类别少量图像作为训练样本，并将所述训练样本通过特征预训练模块计算得到目标
原型，并通过混合关系映射模块对所述目标原型和/或原始原型进行自适应调整，以更新所述图像增量分类系统中所有原型，以通过调整后的所述图像增量分类系统实现对未识别类别的待分类图像的分类识别；
[0045]
第二分类模块，用于在所述图像增量分类系统识别成功时，根据所述待分类图像通过特征预训练模块、混合关系映射模块和ncm分类器进行分类识别，并输出分类结果。
[0046]
可选地，在本发明的一个实施例中，所述获取图像增量分类系统，包括：
[0047]
根据数据集及任务特点选择嵌入表示模型，并结合自监督学习和注意力机制形成特征预训练模块，基于图像分类标注结果对所述模型的特征预训练模块进行预训练；
[0048]
获取所述特征预训练模块的输出结果；
[0049]
基于所述特征预训练模块的输出结果，完成图像增量分类系统的训练。
[0050]
为达上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本发明第一方面实施例所述的基于嵌入增强和自适应的小样本图像增量分类方法。
[0051]
为达上述目的，本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明第一方面实施例所述的一种基于嵌入增强和自适应的小样本图像增量分类方法。
[0052]
综上所述，本发明提出一种基于嵌入增强和自适应的小样本图像增量分类方法、装置、计算机设备和非临时性计算机可读存储介质，使模型具有适应性以更好地处理新旧类别，从而系统可以从少样本数据中快速适应新类别的嵌入表达、增量性地具备识别新样本能力，避免新模型的完全重新训练以减少大量计算资源开销以及促进系统的长期运营。
[0053]
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0054]
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0055]
图1为本发明实施例所提供的一种基于嵌入增强和自适应的小样本图像增量分类方法的流程示意图；
[0056]
图2为本发明所提供的一种图像增量分类系统框架示意图；
[0057]
图3为本发明所提供的一种图像增量分类模型结构图；
[0058]
图4为本发明所提供的一种图像增量分类系统训练流程图；
[0059]
图5本发明所提供的一种基于嵌入增强和自适应的小样本图像增量分类方法流程结构图；
[0060]
图6为本发明实施例所提供的一种基于嵌入增强和自适应的小样本图像增量分类装置的结构示意图。
具体实施方式
[0061]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终
相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0062]
下面参考附图描述本发明实施例的一种基于嵌入增强和自适应的小样本图像增量分类方法和装置。
[0063]
图1为本发明实施例所提供的一种基于嵌入增强和自适应的小样本图像增量分类方法的流程示意图。
[0064]
如图1所示，该基于嵌入增强和自适应的小样本图像增量分类方法包括以下步骤：
[0065]
步骤s1：获取图像增量分类系统，图像增量分类系统用于对待分类图像进行增量分类任务。
[0066]
在本发明的一个实施例之中，图像增量分类系统由四个模块组成包括：特征预训练模块、伪增量情节选择模块、混合关系映射模块和ncm分类器。
[0067]
在本发明的一个实施例之中，特征预训练模块可以选择结合自监督学习和注意力机制的resnet系列模型作为特征嵌入模块的骨干网络，以获得具有泛化能力和一定的辨别能力的嵌入表示网络。特征预训练模块f以图像i作为输入，生成一个二维特征向量：x＝f(i)，并通过余弦分类器进行分类训练。在新任务学习过程中冻结特征预训练模块参数可以最大限度的避免旧知识遗忘和新数据过度拟合问题。
[0068]
其中，在本发明的一个实施例之中，自监督学习可以学习更完整的数据空间结构，提取更全面的信息，学习新旧类别之间更鲁棒泛化的特征表示，并以旋转预测作为辅助任务，将基础类中的每个训练样本旋转0、90和180度来扩充原始训练集合，将原始k类问题扩展为新的3k类问题：
[0069]i′i＝rotate(ii,θ),θ∈{0
°
,90
°
,180
°
})
[0070]ii
表示第i幅输入图像，θ表示图像旋转度数，i
′i表示旋转后的图像，并且旋转后的样本被分配了一个新的标签y
′i，该标签可以自动生成。
[0071]
以及，在本发明的一个实施例之中，注意力机制在处理小样本增量任务时可以更好的利用稀疏样本独特的判别性特征，获取更具代表性的的原型表示，保持特征预训练模块泛化性以及判别性之间的有效平衡，有助于新旧类别的决策。
[0072]
具体来说，在本发明的一个实施例之中，注意力机制通过non-local计算特征图任意两个位置之间的交互信息，捕捉远程依赖关系而不用局限于相邻点，从而可以融合更多信息得到自注意力图ma(xi):
[0073][0074]
其中，x代表待分类特征图，xi代表的是当前关注位置的信息，xj代表的是全局信息。θ，φ和g均为1
×
1的卷积操作。代表归一化操作。最终的注意力特征图变为：
[0075][0076]
其中，wz是一个可学的权重矩阵，通过1*1的卷积操作实现。+xi表示残差连接，将上下文信息添加回原始特征图进行增强。
[0077]
在本发明的一个实施例之中，伪增量情节选择模块，具有两个重要概念：伪基类和伪增量类，均由支持集和查询集组成。伪增量样本是特征预训练模块训练过程中无法识别
的新类，以帮助混合关系映射模块训练，由于以较大的角度来旋转数据可以使合成图像丢失部分语义信息，所以将基类图像旋转270度作为伪增量类别。
[0078]
具体的，在本发明的一个实施例之中，在每次迭代中利用来自基础数据集生成n-wayk-shot形式的支持集sb，相应的查询集qb是从n个类别中采样形成的，每个类别包含e个查询样本，查询集与支持集中的样本不同，我们用(sb,qb)来表示，称为伪基类。将伪基类的每个样本旋转270度，形成伪增量类我们用(si,qi)来表示。
[0079]
在本发明的一个实施例之中，伪增量情节选择模块可以解决数据量有限以及混合关系映射模块难以得到充分训练的问题。
[0080]
在本发明的一个实施例之中，混合关系映射模块，包括原型自我映射(psp，prototypeself-projection)、查询集交叉映射(qcp，query set cross-projection)和优化训练。
[0081]
具体的，在本发明的一个实施例之中，混合关系映射模块可以根据伪增量情节，使用特征预训练模块f来提取伪基类和伪增量类的特征表示，对于支持集特征表示使用均值向量为每个类计算一个原型向量作为分类器初始权重。
[0082][0083]
其中，c表示类别，伪基类和伪增量类总共2n个类别，sj为sb∪si中的一个样本，为 sj的特征嵌入。将伪基类和伪增量类的原型表示和查询集嵌入表示分别合并在一起，得到所有类别的原型表示集合和查询集嵌入集合，分别用mc和xq表示。
[0084]
为了对原型之间以及与查询集嵌入之间的复杂交互进行建模，我们基于transformer 开发了psp和qcp模块，并基于mc和xq训练psp和qcp模块，指导原型向量和查询集嵌入表示更新，适应全局分类任务。
[0085]
其中，在本发明的一个实施例之中，原型自我映射(psp)通过对原始原型表示与目标原型表示建立全局依赖关系，对所有原型进行自适应调整。psp的输入采用(query,key, value)的三元组形式。query,key和value共享相同的输入源mc，psp可以表述为：
[0086]
query＝mcwqkey＝mcwkvalue＝mcwv[0087][0088]
d为query的维度，wq/wk/wv是三个线性投影层的可学习参数，将原始原型表示投影到共享度量空间。通过softmax归一化得到共享空间中各个原型表示之间的相似度分数，即关系矩阵。我们将关系矩阵作为权重系数聚合来自value中所有原型表示的信息，并与原始原型表示融合以获得更新后的原型表示mc′
。
[0089]
以及，在本发明的一个实施例之中，查询集交叉映射(qcp)。原型更新之后，通过引入查询集嵌入表示xq到原型mc′
的交叉映射过程，将查询集嵌入表示与每个原型之间建立相关性，调整查询数据的嵌入表示，使得查询集样本可以更好的适应目标分类任务，公式如下：
[0090][0091]
基于此查询集样本可以使全局任务的上下文信息丰富。
[0092]
进一步地，在本发明的一个实施例之中，优化训练采用了基于原型的目标损失函数。
[0093]
具体的，在本发明的一个实施例之中，通过余弦相似度函数d(
·
,
·
)计算所有查询集嵌入和所有原型之间的语义差异，并利用最近临均值(ncm)分类器进行分类：
[0094][0095]
使用查询集类标签yc，可以在当前任务的2n个类别上导出交叉熵损失作为训练的目标损失函数：
[0096][0097]
学习结束后，冻结混合关系映射模块中的参数，并在实际增量会话中进行部署。计算过程中的伪基类原型被ncm分类器权重(先前所有可见类别的原始原型)所替代，伪增量类原型被实际增量任务中的类别原型替代，mc代表了当前所有可见类别原型向量的集合。该轮任务结束后，将ncm分类器权重替换成mc保存下来，作为下一次增量任务的原始原型参与计算。
[0098]
基于上述描述，为了方便理解，图2为本发明所提供的一种图像增量分类系统框架示意图、图3为本发明所提供的一种图像增量分类模型结构图以及图4为本发明所提供的一种图像增量分类系统训练流程图。
[0099]
步骤s2：获取待分类图像，并将待分类图像上传至图像增量分类系统进行识别。
[0100]
步骤s3：在图像增量分类系统识别失败时，从待分类图像中获取该类别少量图像作为训练样本，并将训练样本通过特征预训练模块计算得到目标原型，并通过混合关系映射模块对目标原型和/或原始原型进行自适应调整，以更新图像增量分类系统中所有原型，以通过调整后的图像增量分类系统实现对未识别类别的待分类图像的分类识别。
[0101]
步骤s4：在图像增量分类系统识别成功时，根据待分类图像通过特征预训练模块、混合关系映射模块和ncm分类器进行分类识别，并输出分类结果。
[0102]
基于上述描述，为了方便理解，图5为本发明所提供的一种基于嵌入增强和自适应的小样本图像增量分类方法流程结构图。
[0103]
综上所述，本发明提出一种基于嵌入增强和自适应的小样本图像增量分类方法，使模型具有适应性以更好地处理新旧类别，从而系统可以从少样本数据中快速适应新类别的嵌入表达、增量性地具备识别新样本能力，避免新模型的完全重新训练以减少大量计算资源开销以及促进系统的长期运营。
[0104]
图6为本发明实施例所提供的一种基于嵌入增强和自适应的小样本图像增量分类装置的结构示意图。
[0105]
如图6所示，该基于嵌入增强和自适应的小样本图像增量分类装置包括以下模块：
[0106]
第一获取模块，用于获取图像增量分类系统，图像增量分类系统用于对待分类图像进行增量分类任务；
[0107]
第二获取模块，用于获取待分类图像，并将待分类图像上传至图像增量分类系统进行识别；
[0108]
第一分类模块，用于在图像增量分类系统识别失败时，从待分类图像中获取该类别少量图像作为训练样本，并将训练样本通过特征预训练模块计算得到目标原型，并通过混合关系映射模块对目标原型和/或原始原型进行自适应调整，以更新图像增量分类系统中所有原型，以通过调整后的图像增量分类系统实现对未识别类别的待分类图像的分类识别；
[0109]
第二分类模块，用于在图像增量分类系统识别成功时，根据待分类图像通过特征预训练模块、混合关系映射模块和ncm分类器进行分类识别，并输出分类结果。
[0110]
在本公开的一个实施例之中，获取图像增量分类系统，包括：
[0111]
根据数据集及任务特点选择嵌入表示模型，并结合自监督学习和注意力机制形成特征预训练模块，基于图像分类标注结果对模型的特征预训练模块进行预训练；
[0112]
获取所述特征预训练模块的输出结果；
[0113]
基于所述特征预训练模块的输出结果，完成图像增量分类系统的训练。
[0114]
综上所述，本发明提出一种基于嵌入增强和自适应的小样本图像增量分类装置，使模型具有适应性以更好地处理新旧类别，从而系统可以从少样本数据中快速适应新类别的嵌入表达、增量性地具备识别新样本能力的模型，避免新模型的完全重新训练以减少大量计算资源开销以及促进系统的长期运营。
[0115]
为达上述目的，本技术第三方面实施例提出了一种计算机设备，其上存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现本技术第一方面实施例所述的一种基于嵌入增强和自适应的小样本图像增量分类方法。
[0116]
为达上述目的，本技术第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本技术第一方面实施例所述的一种基于嵌入增强和自适应的小样本图像增量分类的方法。
[0117]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0118]
此外，术语“第一”、“第二”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”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“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。
[0119]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0120]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0121]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0122]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0123]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0124]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。