用于图像处理的方法、装置、设备和存储介质与流程

1.本公开的示例实施例总体涉及计算机领域，特别地涉及用于图像处理方法、装置、设备和计算机可读存储介质。


背景技术：

2.在计算机视觉(cv)领域中，基于人工智能的各种图像处理技术已经得到显著发展，并且具有广泛应用。计算机视觉可以应用于多种不同的图像处理任务，诸如图像分类、图像分割、图像生成等等。在各种图像处理任务中，期望能够提高对图像的表征能力，以更好地完成这些图像处理任务。


技术实现要素：

3.在本公开的第一方面，提供了一种用于图像处理的方法。该方法包括：将被掩码的输入图像转换成对应的稀疏图像，其中输入图像中的第一像素被掩码，并且稀疏图像中缺失与第一像素相对应的第二像素；通过用卷积神经网络处理稀疏图像，生成与输入图像相对应的至少一个特征图，卷积神经网络被配置为跳过对缺失像素的处理；基于至少一个特征图，生成针对第一像素的预测像素；以及基于第一像素与预测像素之间的差异，更新卷积神经网络。
4.在本公开的第二方面，提供了一种用于图像处理的装置。该装置包括：图像转换模块，被配置为将被掩码的输入图像转换成对应的稀疏图像，其中输入图像中的第一像素被掩码，并且稀疏图像中缺失与第一像素相对应的第二像素；特征生成模块，被配置为通过用卷积神经网络处理稀疏图像，生成与输入图像相对应的至少一个特征图，卷积神经网络被配置为跳过对缺失像素的处理；像素预测模块，被配置为基于至少一个特征图，生成针对第一像素的预测像素；以及模型更新模块，被配置为基于第一像素与预测像素之间的差异，更新卷积神经网络。
5.在本公开的第三方面，提供了一种电子设备。该设备包括至少一个处理单元；以及至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令。指令在由至少一个处理单元执行时使设备执行第一方面的方法。
6.在本公开的第四方面，提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序可由处理器执行以实现第一方面的方法。
7.应当理解，本发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键特征或重要特征，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描述而变得容易理解。
附图说明
8.结合附图并参考以下详细说明，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。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
9.图1示出了本公开的实施例能够在其中实现的示例环境的示意图；
10.图2示出了根据本公开的一些实施例的针对卷积神经网络的示例训练架构的示意图；
11.图3示出了根据本公开的一些实施例的基于特征图预测被掩码像素的示例的示意图；
12.图4示出了根据本公开的一些实施例的用于图像处理的过程的流程图；
13.图5示出了根据本公开的一些实施例的用于图像处理的装置的框图；以及
14.图6示出了能够实施本公开的多个实施例的设备的框图。
具体实施方式
15.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
16.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
17.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
18.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
19.可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
20.下面将参照附图更详细地描述本公开的实施例。虽然附图中示出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。
21.需要注意的是，本文中所提供的任何节/子节的标题并不是限制性的。本文通篇描述了各种实施例，并且任何类型的实施例都可以包括在任何节/子节下。此外，在任一节/子节中描述的实施例可以以任何方式与同一节/子节和/或不同节/子节中描述的任何其他实施例相结合。
22.在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“一些实施例”应当理解为“至少一些实施例”。下文还可能包括其他明确的和隐含的定义。术语“第一”、“第二”等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
23.如本文中所使用的，术语“模型”可以从训练数据中学习到相应的输入与输出之间
的关联，从而在训练完成后可以针对给定的输入，生成对应的输出。模型的生成可以基于机器学习技术。深度学习是一种机器学习算法，通过使用多层处理单元来处理输入和提供相应输出。在本文中，“模型”也可以被称为“机器学习模型”、“机器学习网络”或“网络”，这些术语在本文中可互换地使用。一个模型又可以包括不同类型的处理单元或网络。
24.如本文所使用的，更新网络或模型以及类似表达是指更新网络或模型的参数的值(又称为参数值)，包括具体值、取值集合或取值范围等。如本文中所使用的，“单元”可以由任何合适结构的机器学习模型或网络组成。
25.在本文中，“缺失像素”或类似表述是指与一般规则形状相比，图像在一个或多个位置处没有像素值。换言之，在缺失像素处图像具有“空洞”。
26.如前文所简要提及的，cv技术已经应用于各种图像处理任务。在cv领域中，卷积神经网络(cnn)是一种在真实场景中被使用最广泛的模型。通常可以使用cnn来提取图像的特征。
27.另一方面，基于掩码的预训练在自然语言处理领域已经体现了较高的现实应用价值。经过无监督预训练的语言模型可以胜任许多数据受限、复杂而重要的现实任务，例如文章理解、对话系统、机器翻译。然而，目前如何在cnn上进行有效的掩码预训练还是一个巨大挑战。由于掩码是随机且不规则地施加到图像的，因此要解决的一个关键问题是如何使cnn适应这种随机且不规则的掩码。
28.本公开的实施例提出了一种用于处理图像的方案。根据本公开的各种实施例，将被掩码的输入图像转换成对应的稀疏图像。输入图像中的一个或多个像素被掩码，并且稀疏图像中没有与被掩码像素相对应的像素。通过用cnn处理该稀疏图像，生成与输入图像相对应的至少一个特征图。所使用的cnn被配置为跳过对缺失像素的处理。基于特征图，生成针对被掩码像素的预测像素。基于被掩码像素与预测像素之间的差异，更新cnn。
29.在本公开的实施例中，对掩码后的图像进行了转换，并且使用了特别配置的cnn来处理转换后的图像。以此方式，使得cnn能够适应随机的、不规则的掩码，从而实现了cnn的掩码预训练。通过掩码预训练，增强了cnn对图像的表征能力，进而可以提高其在图像处理任务中的表现和价值。
30.示例环境
31.图1示出了本公开的实施例能够在其中实现的示例环境100的示意图。图1的环境100中，期望训练出cnn 105，其用于图像处理，具体可以用于提取图像特征。
32.如图1所示，环境100包括训练系统110和应用系统120。在一些场景中，对cnn 105的训练任务又可以包括预训练阶段和任务特定训练阶段(也称为微调阶段)。因此，训练系统110可以包括预训练设备112和任务特定训练设备115。
33.预训练设备112被配置为通过预训练技术来提供预训练的cnn105。cnn 105可以用于从图像中提取图像特征。用于预训练cnn 105的数据集包括一个或多个输入图像101。经过预训练过程，cnn 105具有预训练的参数值。预训练的cnn 105所提取的图像特征能够通用于下游的各种图像处理任务。
34.在一些实施例中，针对更具体的图像处理任务，还可以对cnn105进一步训练，以继续更新预训练阶段给出的参数值，使cnn 105所提取的图像特征能够更加准确地被应用于特定的图像处理任务。在图1中，任务特定训练设备130被配置为利用预训练的cnn 105来执
2的分辨率由大于特征图205-n的分辨率。这些多尺度的特征图利用了卷积神经网络的多尺度特性。输出多尺度特征以进行训练更有利于提升cnn的表征能力。
45.在一些实施例中，与稀疏图像203类似，特征图205可以缺失像素，诸如图2所示。也即，特征图205可以缺失与稀疏图像203的“空洞”相关联的特征。备选地，在另一些实施例中，特征图205可以不缺失像素。在这种实施例中，cnn 105可以具有补全缺失特征的能力。例如，cnn 105可以基于所缺失像素周围的其他像素的特征来预测缺失像素的特征。
46.至少一个特征图205进而被馈送至预测器220。预测器220基于至少一个特征图205，生成针对被掩码像素的预测像素。也即，预测器220基于特征图205来预测被掩码像素的像素值。在图2的示例中，预测器220生成针对输入图像201的重构图像206。重构图像206中包括与被掩码像素相对应的预测像素。例如，预测像素块213是对被掩码像素块210的预测。
47.在图2中示出了重构图像206，但这是仅是示例，而无意限制本公开的范围。备选地，预测器220也可以输出对被掩码像素的预测，而无需输出未被掩码的像素。
48.进一步地，确定输入图像201中的被掩码像素与对应的预测像素之间的差异。例如，确定预测像素块213与像素块210之间的差异。基于差异更新cnn 105，即更新cnn 105的参数值。具体地，可以针对每对被掩码像素和预测像素确定两者的差异，并基于这些差异确定损失函数l。通过最小化损失函数l来更新cnn 105的参数值。在本公开的实施例中，可以采用任何合适形式的损失函数l。
49.在训练完成后，cnn 105可以获得良好的表征能力，可以在各种图像处理任务中进行进一步的微调。微调后的cnn 105可以由应用系统120用于相应的图像处理任务。具体而言，在应用中，将待处理图像输入到cnn 105，其可以输出该待处理图像的编码特征。编码特征可以视为对待处理图像进行了高度概括。这样的编码特征可以捕捉到待处理图像的内容信息和结构信息。相应地，编码特征可以被用在很多图像处理任务中，例如目标检测、人类识别、物种识别等等。
50.在诸如图2所示的架构200中，通过将掩码后的图像转换成稀疏图像，可以使卷积神经网络适应随机的、不规则的掩码。以此方式，实现了卷积神经网络的掩码训练。这有利于增强卷积神经网络的表征能力，进而提高这些卷积神经网络在计算机视觉任务中的表现和体现出的价值。
51.被掩码像素的示例预测过程
52.下面参考图3来描述基于特征图预测被掩码像素的示例。图3示出了预测器220的示例实现。在图3的示例中，预测器220总体上包括稠密化单元310、解码单元320和重构单元330。
53.如参考图2所描述的，在一些实施例中，特征图205可以缺失与稀疏图像203的“空洞”相关联的特征。这样的特征图205也可以称为稀疏特征图。因此，在这种实施例中，预测器220需要补全稀疏特征图205中所缺失的特征。稠密化单元310可以用于在至少一个特征图205中填充所缺失的与被掩码像素相关联的特征，其也称为“缺失特征”。
54.稠密化单元310可以在特征图205中与被掩码像素相对应的位置添加嵌入向量。在一些实施例中，如果存在不同分辨率的多个特征图205，可以设置针对给定分辨率的嵌入向量。例如，在图3的示例中，特征图205-1具有分辨率a。稠密化单元310可以向特征图205-1的“空洞”位置添加针对分辨率a的嵌入向量a。特征图205-2具有分辨率b。稠密化单元310可以向特征图205-2的“空洞”位置添加针对分辨率b的嵌入向量b。特征图205-n具有分辨率n。稠密化单元310可以向特征图205-n的“空洞”位置添加针对分辨率n的嵌入向量n。由于不同分辨率下特征的级别不同，因此针对不同分辨率所使用的嵌入向量不同。
55.在一些实施例中，嵌入向量可以是预先确定的。例如，嵌入向量可以是其他模型的输入。在一些实施例中，嵌入向量可以随着cnn105的训练而被更新。也即，嵌入向量的值可以基于预测像素与被掩码像素的差异被更新。在这种实施例中，随着cnn 105的训练而更新嵌入向量，可以促进cnn 105的学习。
56.稠密化单元310输出填充后的特征图306-1、306-2
……
306-n，其也统称为或单独称为稠密特征图306。如图3所示，稠密特征图306不缺失像素。在多尺度特征图的实施例中，稠密化单元310输出彼此分辨率不同的多个稠密特征图306，诸如图3所示。
57.稠密特征图306被输入到解码单元320。解码单元320基于稠密特征图306生成解码特征图307。如图3所示，解码特征图307不缺失像素。可以利用任何合适的网络结构来实现解码单元，包括但不限于不同于cnn 105的另一cnn。
58.在一些实施例中，如果存在分辨率彼此不同的多个稠密特征图，解码单元320可以包括上采样操作，以融合不同尺度的特征图。例如，稠密特征图306-2可以被转换成与稠密特征图306-1具有相同的分辨率。转换后的稠密特征图306-2可以与稠密特征图306-1组合，例如逐元素相加、拼接等。通过以这种方式组合不同尺度的稠密特征图，可以生成解码特征图307。可以利用与unet类似的结构来实现解码单元320，但注意unet仅是示例性的，而无意限制本公开的范围。
59.重构单元330基于解码特征图307生成重构图像206。可以采用任何已知的或将来开发的技术来实现重构单元330。本公开的范围在此方面不受限制。
60.在cnn上进行有效的掩码预训练的另一个挑战是传统的掩码预训练方案是但尺度的，而卷积神经网络具有多尺度特点。这导致了尺度不匹配问题。在这种实施例中，利用cnn 105进行特征的多尺度编码并且利用解码单元进行特征的多尺度解码。以此方式，使得卷积神经网络的掩码训练具备了多尺度特点，从而顺应了卷积神经网络的多尺度特点。这是一种多尺度、稀疏且高效的掩码预训练方法。
61.以上参考图2和图3描述了掩码训练的示例实现。应当理解，图2和图3中所示的各个图像和特征图的尺寸仅是示例性的，而无意限制本公开的范围。
62.示例过程
63.图4示出了根据本公开的一些实施例的用于图像处理的过程400的流程图。过程400可以被实现在预训练系统110(例如，预训练设备112)处。
64.在框410，预训练系统110将被掩码的输入图像转换成对应的稀疏图像。输入图像中的第一像素被掩码，并且稀疏图像中缺失与第一像素相对应的第二像素。
65.在框420，预训练系统110通过用卷积神经网络处理稀疏图像，生成与输入图像相对应的至少一个特征图。该卷积神经网络被配置为跳过对缺失像素的处理。在一些实施例中，卷积神经网络可以包括稀疏卷积神经网络。
66.在框430，预训练系统110基于至少一个特征图，生成针对第一像素的预测像素。
67.在一些实施例中，为了生成预测像素，预训练系统110可以在至少一个特征图中填
充所缺失的与第一像素相关联的特征。预训练系统110可以基于填充后的至少一个特征图，生成预测像素。
68.在一些实施例中，至少一个特征图可以包括彼此具有不同分辨率的多个特征图。
69.在一些实施例中，多个特征图可以包括第一特征图和第二特征图，并且第一特征图的分辨率小于第二特征图的分辨率。为了基于填充后的至少一个特征图生成预测像素，预训练系统110可以将填充后的第一特征图转换成第三特征图，第三特征图具有与填充后的第二特征图相同的分辨率。预训练系统110可以通过组合第三特征图和填充后的第二特征图，生成与输入图像相对应的解码特征图。预训练系统110可以基于解码特征图，生成针对输入图像的重构图像，重构图像包括预测像素。
70.在一些实施例中，为了在至少一个特征图中填充所缺失的与第一像素相关联的特征，预训练系统110可以针对至少一个特征图中具有给定分辨率的给定特征图，在给定特征图中与第一像素相对应的位置添加针对给定分辨率的嵌入向量。
71.在一些实施例中，预训练系统110还可以基于差异更新嵌入向量的值。
72.在框440，预训练系统110基于第一像素与预测像素之间的差异，更新卷积神经网络。例如，基于差异可以确定损失函数，通过最小化损失函数来更新卷积神经网络的参数值。
73.示例装置和设备
74.图5示出了根据本公开的一些实施例的用于图像处理的装置500的框图。装置500可以被实现为或者被包括在计时处理系统110中。装置500中的各个模块/组件可以由硬件、软件、固件或者它们的任意组合来实现。
75.如图所示，装置500包括图像转换模块510，被配置为将被掩码的输入图像转换成对应的稀疏图像，其中输入图像中的第一像素被掩码，并且稀疏图像中缺失与第一像素相对应的第二像素。装置500还包括特征生成模块520，被配置为通过用卷积神经网络处理稀疏图像，生成与输入图像相对应的至少一个特征图，卷积神经网络被配置为跳过对缺失像素的处理。装置500还包括像素预测模块530，被配置为基于至少一个特征图，生成针对第一像素的预测像素。装置500还包括模型更新模块530，被配置为基于第一像素与预测像素之间的差异，更新卷积神经网络。
76.在一些实施例中，像素预测模块530包括：填充模块，被配置为在至少一个特征图中填充所缺失的与第一像素相关联的特征；以及预测模块，被配置为基于填充后的至少一个特征图，生成预测像素。
77.在一些实施例中，至少一个特征图包括彼此具有不同分辨率的多个特征图。
78.在一些实施例中，多个特征图包括第一特征图和第二特征图，并且第一特征图的分辨率小于第二特征图的分辨率，像素预测模块进一步包括：转换模块，被配置为将填充后的第一特征图转换成第三特征图，第三特征图具有与填充后的第二特征图相同的分辨率；组合模块，被配置为通过组合第三特征图和填充后的第二特征图，生成与输入图像相对应的解码特征图；以及重构图像生成模块，被配置为基于解码特征图，生成针对输入图像的重构图像，重构图像包括预测像素。
79.在一些实施例中，填充模块包括：添加模块，被配置为针对至少一个特征图中具有给定分辨率的给定特征图，在给定特征图中与第一像素相对应的位置添加针对给定分辨率
的嵌入向量。
80.在一些实施例中，装置500还包括：更新模块，被配置为基于差异更新嵌入向量的值。
81.在一些实施例中，卷积神经网络包括稀疏卷积神经网络。
82.图6示出了示出了其中可以实施本公开的一个或多个实施例的计算设备600的框图。应当理解，图6所示出的计算设备600仅仅是示例性的，而不应当构成对本文所描述的实施例的功能和范围的任何限制。图6所示出的计算设备600可以用于实现图1的计算设备110。
83.如图6所示，计算设备600是通用计算设备的形式。计算设备600的组件可以包括但不限于一个或多个处理器或处理单元610、存储器620、存储设备630、一个或多个通信单元640、一个或多个输入设备650以及一个或多个输出设备660。处理单元610可以是实际或虚拟处理器并且能够根据存储器620中存储的程序来执行各种处理。在多处理器系统中，多个处理单元并行执行计算机可执行指令，以提高计算设备600的并行处理能力。
84.计算设备600通常包括多个计算机存储介质。这样的介质可以是计算设备600可访问的任何可以获取的介质，包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器620可以是易失性存储器(例如寄存器、高速缓存、随机访问存储器(ram))、非易失性存储器(例如，只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、闪存)或它们的某种组合。存储设备630可以是可拆卸或不可拆卸的介质，并且可以包括机器可读介质，诸如闪存驱动、磁盘或者任何其他介质，其可以能够用于存储信息和/或数据(例如用于训练的训练数据)并且可以在计算设备600内被访问。
85.计算设备600可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性存储介质。尽管未在图6中示出，可以提供用于从可拆卸、非易失性磁盘(例如“软盘”)进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中，每个驱动可以由一个或多个数据介质接口被连接至总线(未示出)。存储器620可以包括计算机程序产品625，其具有一个或多个程序模块，这些程序模块被配置为执行本公开的各种实施例的各种方法或动作。
86.通信单元640实现通过通信介质与其他计算设备进行通信。附加地，计算设备600的组件的功能可以以单个计算集群或多个计算机器来实现，这些计算机器能够通过通信连接进行通信。因此，计算设备600可以使用与一个或多个其他服务器、网络个人计算机(pc)或者另一个网络节点的逻辑连接来在联网环境中进行操作。
87.输入设备650可以是一个或多个输入设备，例如鼠标、键盘、追踪球等。输出设备660可以是一个或多个输出设备，例如显示器、扬声器、打印机等。计算设备600还可以根据需要通过通信单元640与一个或多个外部设备(未示出)进行通信，外部设备诸如存储设备、显示设备等，与一个或多个使得用户与计算设备600交互的设备进行通信，或者与使得计算设备600与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)进行通信。这样的通信可以经由输入/输出(i/o)接口(未示出)来执行。
88.根据本公开的示例性实现方式，提供了一种计算机可读存储介质，其上存储有计算机可执行指令，其中计算机可执行指令被处理器执行以实现上文描述的方法。根据本公开的示例性实现方式，还提供了一种计算机程序产品，计算机程序产品被有形地存储在非
瞬态计算机可读介质上并且包括计算机可执行指令，而计算机可执行指令被处理器执行以实现上文描述的方法。
89.这里参照根据本公开实现的方法、装置、设备和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
90.这些计算机可读程序指令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单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
91.可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
92.附图中的流程图和框图显示了根据本公开的多个实现的系统、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、程序段或指令的一部分，模块、程序段或指令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。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，两个连续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动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。
93.以上已经描述了本公开的各实现，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各个实现方式。