自然场景文本检测模型训练方法、装置、服务器及存储介质

1.本发明实施例涉及文本检测技术领域，尤其涉及一种自然场景文本检测模型训练方法、装置、服务器及存储介质。


背景技术：

2.文本作为最具有表现力的信息表达方式，记录着人类多彩的科技文化，可作为交流信息嵌入到文档或场景中。场景图像中的文本可大致分为两类：人工文本和场景文本。随着互联网科技的发展，文本定位与识别技术已在生活中得到了广泛应用，如车牌识别、身份证识别等。传统的orc识别技术只能用于识别背景单一、字体固定的印刷体，但是场景图像上的文本存在多样性，如排列不整齐、字体大小不统一，另外，因光照强度或拍照角度等因素导致字体模糊、残缺等问题对文本检测造成了强大的干扰，严重影响了文本检测的准确性。
3.场景文本检测按照方法可分为基于手工设计特征的方法和基于深度学习的场景文本检测。目前手工设计特征的方法由于设计过程复杂、鲁棒性差、使用场景单一等缺点。而基于深度学习的场景文本检测又可分为基于回归的场景文本检测和基于分割的场景文本检测。其中基于回归的方法通常直接回归文字区域的坐标得到最终的文字区域，而基于分割的方法通常是预测一张像素级别的概率图，然后通过后处理来获取文字区域的坐标。
4.然而，自然场景的复杂性、文字外观的多样性以及图像中经常存在退化、干扰等诸多因素，使得对自然场景图像中文字的识别具有较高的难度。上述方法而并未针对图像自身设计专门的处理方法来改善其识别条件，因此往往难以进一步提高识别的性能。


技术实现要素：

5.本发明实施例提供一种自然场景文本检测模型训练方法、装置、服务器及存储介质，以解决现有技术中针对场景文本检测技术性能提高较为困难的技术问题。
6.第一方面，本发明实施例提供了一种自然场景文本检测模型训练方法，包括：
7.将自然场景文本图像训练集中的图像进行特征融合，形成特征融合图；
8.将所述特征融合图输入至概率预测网络，得到所述概率预测网络输出的文本概率预测图，所述文本概率预测图的每一个像素值代表对应位置为文本区域的概率，对应得到该像素的像素预测值；
9.根据像素值和像素预测值计算像素难度值；
10.按照渐进难度调整规则设定渐进难度系数，根据渐进难度系数和所述像素难度值计算对应的像素的训练难度，所述渐进难度调整规则包括：根据预设的难度最大值、难度起始值和最多训练轮次计算得到渐进难度系数；
11.根据所述训练难度、对应的像素值和像素预测值计算损失值，在所述损失值小于预设的损失阈值时，返回按照渐进难度调整规则设定渐进难度系数步骤，直至所述损失值大于预设的损失阈值；
12.按照所述训练难度对应的像素预测值对所述自然场景文本检测模型进行训练，得到训练完成的自然场景文本检测模型。
13.第二方面，本发明实施例还提供了一种自然场景文本检测模型训练方法装置，包括：
14.融合模块，用于将自然场景文本图像训练集中的图像进行特征融合，形成特征融合图；
15.输入模块，用于将所述特征融合图输入至概率预测网络，得到所述概率预测网络输出的文本概率预测图，所述文本概率预测图的每一个像素值代表对应位置为文本区域的概率，对应得到该像素的像素预测值；
16.计算模块，用于根据像素值和像素预测值计算像素难度值；
17.训练难度计算模块，用于按照渐进难度调整规则设定渐进难度系数，根据渐进难度系数和所述像素难度值计算对应的像素的训练难度，所述渐进难度调整规则包括：根据预设的难度最大值、难度起始值和最多训练轮次计算得到渐进难度系数；
18.损失值计算模块，用于根据所述训练难度、对应的像素值和像素预测值计算损失值，在所述损失值小于预设的损失阈值时，返回按照渐进难度调整规则设定渐进难度系数步骤，直至所述损失值大于预设的损失阈值；
19.训练模块，用于按照所述训练难度对应的像素预测值对所述自然场景文本检测模型进行训练，得到训练完成的自然场景文本检测模型。
20.第三方面，本发明实施例还提供了一种服务器，包括：
21.一个或多个处理器；
22.存储装置，用于存储一个或多个程序；
23.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上述实施例提供的自然场景文本检测模型训练方法。
24.第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的自然场景文本检测模型训练方法。
25.本发明实施例提供的自然场景文本检测模型训练方法、装置、服务器及存储介质，通过将自然场景文本图像训练集中的图像进行特征融合，形成特征融合图；将所述特征融合图输入至概率预测网络，得到所述概率预测网络输出的文本概率预测图，所述文本概率预测图的每一个像素值代表对应位置为文本区域的概率，对应得到该像素的像素预测值；根据像素值和像素预测值计算像素难度值；按照渐进难度调整规则设定渐进难度系数，根据渐进难度系数和所述像素难度值计算对应的像素的训练难度，所述渐进难度调整规则包括：根据预设的难度最大值、难度起始值和最多训练轮次计算得到渐进难度系数；根据所述训练难度、对应的像素值和像素预测值计算损失值，在所述损失值小于预设的损失阈值时，返回按照渐进难度调整规则设定渐进难度系数步骤，直至所述损失值大于预设的损失阈值；按照所述训练难度对应的像素预测值对所述自然场景文本检测模型进行训练，得到训练完成的自然场景文本检测模型。可通过渐难的学习过程获得一个表现优异的场景文本监测模型。为解决过于简化的监督和正样本噪音的问题通过概率图为每一个像素样本设置一个难度值，噪音则看作为一个难度系数较大的正样本。通过对不同难度像素施加不同的惩
罚，达到难样本挖掘的目的。并且通过在不同的训练阶段通过不同的难度系数进行一步控制像素整体的难度值的大小，使网络逐渐学习到不同程度的困难样本。
附图说明
26.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
27.图1为本发明实施例一提供的自然场景文本检测模型训练方法的流程图；
28.图2是本发明实施例一提供的自然场景文本检测模型训练方法中感受野扩展网络的结构示意图；
29.图3是本发明实施例二提供的自然场景文本检测模型训练方法装置的结构图；
30.图4是本发明实施例三提供的服务器的结构图。
具体实施方式
31.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
32.实施例一
33.图1为本发明实施例一提供的自然场景文本检测模型训练方法的流程图，本实施例可适用于对用于识别自然场景文本的检测模型进行训练的情况，该方法可以由自然场景文本检测模型训练装置来执行，并可设置于服务器中，具体包括如下步骤：
34.步骤110、将自然场景文本图像训练集中的图像进行特征融合，形成特征融合图。
35.在本实施例中，可预先采集大量自然场景文本图像作为自然场景文本图像训练集。从自然场景文本图像训练集中获取自然场景文本图像，并进行处理，形成特征融合图，便于对自然场景文本检测模型进行训练。
36.可选的，所述将自然场景文本图像训练集中的图像进行特征融合，形成特征融合图，可以包括：获取自然场景文本图像训练集中的图像；对所述图像分别进行随机反转、随机旋转、随机镜像反转或随机裁减的图像增强操作；对图像增强后的多个图像依次输入残差网络模型中，针对每个图像得到三个不同尺度的第一特征图；将所有第一特征图输入bifpn特征融合网络获取三个不同尺度的特征融合图。
37.数据增强可以丰富样本数据有利于防止网络模型的过拟合。之后将数据增强后的图片输入resnet主干网络中得到三个不同尺度的特征图，将三个尺度的特征图通过bifpn特征融合网络获取融合后的特征图。融合特征图能够有利于后续网络学习不同尺度的场景文本。
38.进一步的，还可将上述特征融合图融合图通过3*3步长为2、3*3步长为3、5*5步长为5的可形变卷积，获得尺度分别为原图1/2,1/3,1/5大小通道为输入通道1/3的系特征图，将所述系特征图通过空洞卷积将三个不同尺度特征图尺寸调整为输入大小并与输入惊醒通道堆叠，最后通过1*1的卷积调整通道与输入等同，得到最终的输出特征图。由于在场景文本检测任务中存在着长文本，这些文本对于感受野的范围要求比较大，因此添加了这个网络。本网络的目标是增大输出的特征图每一个像素点的感受野范围。首先通过可形变卷
积获得原图1/2,1/3,1/5大小的特征图，然后通过空洞卷积将上述特征图尺寸变为与原图相同的尺寸，此时三个特征图的感受野范围分别扩展为原来的2倍、3倍、5倍。但是此时的特征图是以牺牲细粒度为代价换来的感受野范围扩展，为此将原始的输入特征图与上述三个特征图按照通道堆叠至一起并通过一次卷积将原始含有细粒度特征的图与三个扩展感受野的图进一步融合至一起。图2是本发明实施例一提供的自然场景文本检测模型训练方法中感受野扩展网络的结构示意图，通过图2可以看出，可包括：可形变卷积和空洞卷积。实现输出最终的征图。
39.步骤120、将所述特征融合图输入至概率预测网络，得到所述概率预测网络输出的文本概率预测图，所述文本概率预测图的每一个像素值代表对应位置为文本区域的概率，对应得到该像素的像素预测值。
40.可选的，可将所述特征融合图输入至语义分割神经网络；获取所述语义分割神经网络的反卷积层的输出结果；根据所述输出结果对应特征融合图的像素位置输出文本概率预测图。
41.语义分割神经网络其首先对图片进行卷积——》卷积——》池化，再卷积——》卷积——》池化，直到图像缩小得够小为止。然后可以进行上采样，恢复图像的大小。利用语义分割神经网络特征识别反卷积层deconv可输出图像特征的特点。作为输出的概率得到文本概率预测图，文本概率预测图中的每个像素值即为原图像中对应像素的概率值。
42.步骤130、根据像素值和像素预测值计算像素难度值。
43.通常采用基于分割的方法期望输入文字的像素级掩码进行监督，而常规的基于分割的文本检测简单的将文本区域转换为像素掩码进行监督。最后不同的样本学习难度不一，对不同难度的正样本使用相同的损失约束是不合理的。因此，在本实施例中，通过渐难的学习过程获得一个表现优异的场景文本监测模型。通过概率图为每一个像素样本设置一个难度值。
44.所述根据像素值和像素预测值计算像素难度值，通过如下方式计算：
[0045][0046]
其中yi为像素值，为像素的预测值。此难度为h*w的张量，即每一个预测图对应位置的难度。对应图像的高度和宽度。
[0047]
步骤140、按照渐进难度调整规则设定渐进难度系数，根据渐进难度系数和所述像素难度值计算对应的像素的训练难度，所述渐进难度调整规则包括：根据预设的难度最大值、难度起始值和最多训练轮次计算得到渐进难度系数。
[0048]
在计算得到像素难度值后，可通过对不同难度像素施加不同的惩罚，达到难样本挖掘的目的。并且通过在不同的训练阶段通过不同的难度系数进行一步控制像素整体的难度值的大小，使网络逐渐学习到不同程度的困难样本。
[0049]
首先根据初始状态设定初始难度系数，并随之不断增强难度系数。进而计算像素的训练难度。渐进难度系数按照渐进难度调整规则进行设定。
[0050]
所述渐进难度调整规则为：
[0051]
[0052]
其中ei为当前的训练轮次。d
max
和d
min
为难度值的最大和最小值，αi为渐进难度系数，e
max
为训练的最大轮次。
[0053]
步骤150、根据所述训练难度、对应的像素值和像素预测值计算损失值，在所述损失值小于预设的损失阈值时，返回按照渐进难度调整规则设定渐进难度系数步骤，直至所述损失值大于预设的损失阈值。
[0054]
根据当前训练的轮次分配训练过程的难度，公式为此为一数值。计算当前步骤的难度图，即数值αi与难度图相乘。至此得到了当前步骤的难度图与图片的预测图。将两图输入损失函数中计算损失，指导模型训练即可完成渐难学习。渐进难度使用α控制，随着训练逐渐增加α的大小。α确定公式为：
[0055][0056]
其中ei为当前的训练轮次。d
max
和d
min
为难度值的最大和最小值，通常设置为10和0.7。
[0057]emax
为训练的最大轮次。因此在不同的难度阶段像素的训练难度为：
[0058][0059]
系统损失函数为：
[0060][0061]
其中k为经验系数，本系统取值为10。
[0062]
步骤160、按照所述训练难度对应的像素预测值对所述自然场景文本检测模型进行训练，得到训练完成的自然场景文本检测模型。
[0063]
过逐步提升网络模型的训练难度达到优先优化较易位置，并逐渐学习到较难位置的目的。难度控制损失函数根据难度控制策略生成的难度图与概率预测图网络最终的损失情况，避免出现过拟合等情况。
[0064]
本实施例通过将自然场景文本图像训练集中的图像进行特征融合，形成特征融合图；将所述特征融合图输入至概率预测网络，得到所述概率预测网络输出的文本概率预测图，所述文本概率预测图的每一个像素值代表对应位置为文本区域的概率，对应得到该像素的像素预测值；根据像素值和像素预测值计算像素难度值；按照渐进难度调整规则设定渐进难度系数，根据渐进难度系数和所述像素难度值计算对应的像素的训练难度，所述渐进难度调整规则包括：根据预设的难度最大值、难度起始值和最多训练轮次计算得到渐进难度系数；根据所述训练难度、对应的像素值和像素预测值计算损失值，在所述损失值小于预设的损失阈值时，返回按照渐进难度调整规则设定渐进难度系数步骤，直至所述损失值大于预设的损失阈值；按照所述训练难度对应的像素预测值对所述自然场景文本检测模型
进行训练，得到训练完成的自然场景文本检测模型。可通过渐难的学习过程获得一个表现优异的场景文本监测模型。为解决过于简化的监督和正样本噪音的问题通过概率图为每一个像素样本设置一个难度值，噪音则看作为一个难度系数较大的正样本。通过对不同难度像素施加不同的惩罚，达到难样本挖掘的目的。并且通过在不同的训练阶段通过不同的难度系数进行一步控制像素整体的难度值的大小，使网络逐渐学习到不同程度的困难样本。
[0065]
实施例二
[0066]
图3是本发明实施例四提供的自然场景文本检测模型训练方法装置的结构图，如图3所示，所述装置包括：
[0067]
融合模块210，用于将自然场景文本图像训练集中的图像进行特征融合，形成特征融合图；
[0068]
输入模块220，用于将所述特征融合图输入至概率预测网络，得到所述概率预测网络输出的文本概率预测图，所述文本概率预测图的每一个像素值代表对应位置为文本区域的概率，对应得到该像素的像素预测值；
[0069]
计算模块230，用于根据像素值和像素预测值计算像素难度值；
[0070]
训练难度计算模块240，用于按照渐进难度调整规则设定渐进难度系数，根据渐进难度系数和所述像素难度值计算对应的像素的训练难度，所述渐进难度调整规则包括：根据预设的难度最大值、难度起始值和最多训练轮次计算得到渐进难度系数；
[0071]
损失值计算模块250，用于根据所述训练难度、对应的像素值和像素预测值计算损失值，在所述损失值小于预设的损失阈值时，返回按照渐进难度调整规则设定渐进难度系数步骤，直至所述损失值大于预设的损失阈值；
[0072]
训练模块260，用于按照所述训练难度对应的像素预测值对所述自然场景文本检测模型进行训练，得到训练完成的自然场景文本检测模型。
[0073]
本实施例提供的自然场景文本检测模型训练装置，通过将自然场景文本图像训练集中的图像进行特征融合，形成特征融合图；将所述特征融合图输入至概率预测网络，得到所述概率预测网络输出的文本概率预测图，所述文本概率预测图的每一个像素值代表对应位置为文本区域的概率，对应得到该像素的像素预测值；根据像素值和像素预测值计算像素难度值；按照渐进难度调整规则设定渐进难度系数，根据渐进难度系数和所述像素难度值计算对应的像素的训练难度，所述渐进难度调整规则包括：根据预设的难度最大值、难度起始值和最多训练轮次计算得到渐进难度系数；根据所述训练难度、对应的像素值和像素预测值计算损失值，在所述损失值小于预设的损失阈值时，返回按照渐进难度调整规则设定渐进难度系数步骤，直至所述损失值大于预设的损失阈值；按照所述训练难度对应的像素预测值对所述自然场景文本检测模型进行训练，得到训练完成的自然场景文本检测模型。可通过渐难的学习过程获得一个表现优异的场景文本监测模型。为解决过于简化的监督和正样本噪音的问题通过概率图为每一个像素样本设置一个难度值，噪音则看作为一个难度系数较大的正样本。通过对不同难度像素施加不同的惩罚，达到难样本挖掘的目的。并且通过在不同的训练阶段通过不同的难度系数进行一步控制像素整体的难度值的大小，使网络逐渐学习到不同程度的困难样本。
[0074]
在上述各实施例的基础上，所述计算模块通过如下方式计算：
[0075][0076]
其中yi为像素值，为像素的预测值。
[0077]
在上述各实施例的基础上，所述渐进难度调整规则为：
[0078][0079]
其中ei为当前的训练轮次。d
max
和d
min
为难度值的最大和最小值，αi为渐进难度系数，e
max
为训练的最大轮次。
[0080]
在上述各实施例的基础上，所述训练难度计算模块包括：
[0081]
像素难度计算单元，用于通过如下方式实现：
[0082][0083]
在上述各实施例的基础上，所述融合模块包括：
[0084]
获取单元，用于获取自然场景文本图像训练集中的图像；
[0085]
增强单元，用于对所述图像分别进行随机反转、随机旋转、随机镜像反转或随机裁减的图像增强操作；
[0086]
第一输入单元，用于对图像增强后的多个图像依次输入残差网络模型中，针对每个图像得到三个不同尺度的第一特征图；
[0087]
第二输入单元，将所有第一特征图输入bifpn特征融合网络获取三个不同尺度的特征融合图。
[0088]
在上述各实施例的基础上，所述融合模块还包括：
[0089]
获得单元，用于将所述特征融合图通过3*3步长为2、3*3步长为3、5*5步长为5的可形变卷积，获得尺度分别为原图1/2,1/3,1/5大小通道为输入通道1/3的系特征图；
[0090]
调整单元，用于将所述系特征图通过空洞卷积将三个不同尺度特征图尺寸调整为输入大小并与输入惊醒通道堆叠，最后通过1*1的卷积调整通道与输入等同，得到最终的输出特征图。
[0091]
在上述各实施例的基础上，所述输入模块包括：
[0092]
输入单元，用于将所述特征融合图输入至语义分割神经网络；
[0093]
获取单元，用于获取所述语义分割神经网络的反卷积层的输出结果；
[0094]
输出单元，用于根据所述输出结果对应特征融合图的像素位置输出文本概率预测图。
[0095]
本发明实施例所提供的自然场景文本检测模型训练方法装置可执行本发明任意实施例所提供的自然场景文本检测模型训练方法，具备执行方法相应的功能模块和有益效果。
[0096]
实施例三
[0097]
图4为本发明实施例三提供的服务器的结构图。图4示出了适于用来实现本发明实施方式的示例性服务器12的框图。图4显示的服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0098]
如图4所示，服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不
限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
[0099]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0100]
服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0101]
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0102]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
[0103]
服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该服务器12交互的设备通信，和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0104]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的自然场景文本检测模型训练方法。
[0105]
实施例五
[0106]
本发明实施例五还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的任一所述的自然场景文本检测模型训练方法。
[0107]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具
有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
[0108]
计算机可读的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。计算机可读的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。
[0109]
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——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0110]
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发明操作的计算机程序代码，所述程序设计语言包括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)。
[0111]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。