路5089號(72)發(fā)明人張佳鑫李經(jīng)宇王憲文王海波公司11021GO6V2GO6V10/776(2022.01)GO6V10/774(2022.01)GO6V10/80(2022.01)GO6V20/70(2022.GO6N3/088GO6N3/092(2023.GO6N3/045(2023.01)基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練本發(fā)明提供了一種基于對比學(xué)習(xí)的視頻異根據(jù)負樣本視頻特征組和正樣本視頻特征組得將樣本視頻輸入到初始視頻異常檢測模型的特征提取模塊，得到樣本視頻特征將樣本視頻特征輸入到初始視頻異常檢測模型的重建模塊，得到重建樣本視頻，并基于重建損失函數(shù)，根據(jù)樣本視頻和重建樣本視頻得到重建損失基于樣本視頻特征和重建損失生成負樣本視頻特征組對樣本視頻特征進行數(shù)據(jù)增強處理，得到正樣本視頻特征組基于對比學(xué)習(xí)損失函數(shù)，根據(jù)負樣本視頻特征組和正樣本視頻特征組，得到對比學(xué)習(xí)損失基于對比學(xué)習(xí)損失和重建損失調(diào)整初始視頻異常檢測模型的參數(shù)，得到目標(biāo)視頻檢測模型21.一種基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法，其特征在于，所述方法包括：將樣本視頻輸入到初始視頻異常檢測模型的特征提取模塊，得到樣本視頻特征；將所述樣本視頻特征輸入到所述初始視頻異常檢測模型的重建模塊，得到重建樣本視頻，并基于重建損失函數(shù)，根據(jù)所述樣本視頻和所述重建樣本視頻得到重建損失；基于所述樣本視頻特征和所述重建損失生成負樣本視頻特征組；對所述樣本視頻特征進行數(shù)據(jù)增強處理，得到正樣本視頻特征組；基于對比學(xué)習(xí)損失函數(shù)，根據(jù)所述負樣本視頻特征組和所述正樣本視頻特征組，得到對比學(xué)習(xí)損失；基于所述對比學(xué)習(xí)損失和所述重建損失調(diào)整所述初始視頻異常檢測模型的參數(shù)，得到目標(biāo)視頻檢測模型。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于對比學(xué)習(xí)損失函數(shù)，根據(jù)所述負樣本視頻特征組和所述正樣本視頻特征組，得到對比學(xué)習(xí)損失，包括：將所述負樣本視頻特征組和所述正樣本視頻特征組分別輸入到所述初始視頻異常檢測模型的記憶模塊中，得到負樣本相似度和正樣本相似度，所述負樣本相似度表征所述負樣本視頻特征組與所述記憶模塊中所存儲的記憶向量特征組的相似程度，所述正樣本相似度表征所述正樣本視頻特征組與所述記憶向量特征組的相似程度；基于所述對比學(xué)習(xí)損失函數(shù)，根據(jù)所述負樣本相似度和所述正樣本相似度得到所述對比學(xué)習(xí)損失。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述樣本視頻特征和所述重建損基于梯度提取函數(shù)，計算所述重建損失關(guān)于所述樣本視頻特征的梯度矢量，所述梯度矢量表征所述樣本視頻特征對重建誤差的敏感程度；4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述樣本視頻特征進行數(shù)據(jù)增強處基于第一預(yù)設(shè)噪聲范圍生成第一噪聲，所述第一噪聲表征所述樣本視頻中的環(huán)境因素變化；基于第二預(yù)設(shè)噪聲范圍生成第二噪聲，所述第二噪聲表征所述樣本視頻中的視覺干擾根據(jù)所述第一噪聲對所述樣本視頻特征進行比例縮放，得到縮放正樣本視頻特征組；根據(jù)所述第二噪聲對所述縮放正樣本視頻特征組進行隨機偏移，得到所述正樣本視頻特征組。5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述記憶向量特征組中包括P個記憶向量特征，所述負樣本視頻特征組中包括M個負樣本視頻特征，所述正樣本視頻特征組中包括N于M且大于的正整數(shù)，n為小于等于N且大于0的正整數(shù)；所述將所述負樣本視頻特征組和所述正樣本視頻特征組分別輸入到所述初始視頻異常檢測模型的記憶模塊中，得到負樣本相似度和正樣本相似度，包括：3針對所述負樣本視頻特征組中的第m個負樣本視頻特征，利用余弦相似度函數(shù)，基于所述第m個負樣本視頻特征和第p個記憶向量特征得到第p個子負樣本余弦相似度，以獲得子負樣本余弦相似度組，所述子負樣本余弦相似度組中包括P個子負樣本余弦相似度；針對所述正樣本視頻特征組中的第n個正樣本視頻特征，利用所述余弦相似度函數(shù)，基于所述第n個正樣本視頻特征和所述第p個記憶向量特征得到第p個子正樣本余弦相似度，以獲得子正樣本余弦相似度組，所述子正樣本余弦相似度組包括P個子正樣本余弦相似度；利用預(yù)設(shè)歸一化函數(shù)，分別對所述P個子負樣本余弦相似度進行歸一化并求和，得到第利用預(yù)設(shè)歸一化函數(shù)，分別對所述P個子正樣本余弦相似度進行歸一化并求和，得到第n個正樣本相似度，以獲得N個正樣本相似度。6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述根據(jù)所述負樣本相似度和所述正樣本對所述N個正樣本相似度指數(shù)求和，得到正樣本指數(shù)和；對所述M個負樣本相似度指數(shù)求和，得到負樣本指數(shù)和；基于所述正樣本指數(shù)和和所述負樣本指數(shù)和，得到樣本指數(shù)和；基于所述正樣本指數(shù)和和所述樣本指數(shù)和得到所述對比學(xué)習(xí)損失。7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述根據(jù)所述負樣本相似度和所述正樣本針對第n個正樣本相似度，對所述第n個正樣本相似度分別與所述M個負樣本相似度進行求差，得到第n個子正負樣本相似差，得到M×N個子正負樣本相似差；基于預(yù)設(shè)邊界值，對所述M×N個子正負樣本相似差進行求和，得到M×N個子對比學(xué)習(xí)將所述M×N個子對比學(xué)習(xí)損失中的非負值進行累加，得到所述對比學(xué)習(xí)損失。獲取目標(biāo)視頻；將所述目標(biāo)視頻輸入到目標(biāo)視頻異常檢測模型中，得到檢測結(jié)果，所述檢測結(jié)果表征所述目標(biāo)視頻中是否存在異常，所述目標(biāo)視頻異常檢測模型是利用權(quán)利要求1~7中任一項所述的方法訓(xùn)練得到的。9.一種基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置，其特征在于，所述裝置包括：輸入提取模塊，用于將樣本視頻輸入到初始視頻異常檢測模型的特征提取模塊，得到樣本視頻特征；輸入重建模塊，用于將所述樣本視頻特征輸入到所述初始視頻異常檢測模型的重建模塊.得到重建樣本視頻，并基于重建損失函數(shù).根據(jù)所述樣本視頻和所述重建樣本視頻得到重建損失；正樣本增強模塊，用于對所述樣本視頻特征進行數(shù)據(jù)增強處理，得到正樣本視頻特征對比學(xué)習(xí)損失計算模塊，用于基于對比學(xué)習(xí)損失函數(shù)，根據(jù)所述負樣本視頻特征組和4所述正樣本視頻特征組，得到對比學(xué)習(xí)損失；調(diào)整模塊，用于基于所述對比學(xué)習(xí)損失和所述重建損失調(diào)整所述初始視頻異常檢測模型的參數(shù)，得到目標(biāo)視頻檢測模型。10.一種視頻異常檢測裝置，其特征在于，所述裝置包括：獲取模塊，用于獲取目標(biāo)視頻；輸入模塊，用于將所述目標(biāo)視頻輸入到目標(biāo)視頻異常檢測模型中，得到檢測結(jié)果，所述檢測結(jié)果表征所述目標(biāo)視頻中是否存在異常，所述目標(biāo)視頻異常檢測模型是利用權(quán)利要求1~7中任一項所述的方法訓(xùn)練得到的。5基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法及裝置、視頻異常檢測方法及裝置技術(shù)領(lǐng)域[0001]本發(fā)明涉及深度強化學(xué)習(xí)技術(shù)領(lǐng)域，更具體地涉及一種基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法及裝置、視頻異常檢測方法及裝置。背景技術(shù)[0002]視頻異常檢測是一項重要的計算機視覺任務(wù)，廣泛應(yīng)用于安全監(jiān)控、行為識別和工業(yè)檢測等領(lǐng)域，其目標(biāo)是從視頻流中自動檢測出與正常模式顯著不同的異常事件。[0003]在現(xiàn)有技術(shù)中，一般通過記憶增強自編碼器來對視頻異常進行檢測，記憶增強自編碼器通過記憶模塊來存儲正常模式的特征，從而提升目標(biāo)視頻異常檢測模型對正常模式的重建能力，而記憶模塊的特征更新僅依賴于正常樣本，缺乏對異常樣本的建模能力，無法有效地學(xué)習(xí)到正常樣本和異常樣本之間的邊界，從而影響模型的區(qū)分能力。發(fā)明內(nèi)容[0004]鑒于上述問題，本發(fā)明提供了基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法、視頻異常檢測方法。[0005]根據(jù)本發(fā)明的第一個方面，提供了一種基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法，包括：將樣本視頻輸入到初始視頻異常檢測模型的特征提取模塊，得到樣本視頻特征；將上述樣本視頻特征輸入到上述初始視頻異常檢測模型的重建模塊，得到重建樣本視頻，并基于重建損失函數(shù)，根據(jù)上述樣本視頻和上述重建樣本視頻得到重建損失；基于上述樣本視頻特征和上述重建損失生成負樣本視頻特征組；對上述樣本視頻特征進行數(shù)據(jù)增強處理，得到正樣本視頻特征組；基于對比學(xué)習(xí)損失函數(shù)，根據(jù)上述負樣本視頻特征組和正樣本視頻特征組，得到對比學(xué)習(xí)損失；基于上述對比學(xué)習(xí)損失和上述重建損失調(diào)整上述初始視頻異常檢測模型的參數(shù)，得到目標(biāo)視頻檢測模型。[0006]根據(jù)本發(fā)明的實施例，上述基于對比學(xué)習(xí)損失函數(shù)，根據(jù)上述負樣本視頻特征組和正樣本視頻特征組，得到對比學(xué)習(xí)損失，包括：將上述負樣本視頻特征組和上述正樣本視頻特征組分別輸入到上述初始視頻異常檢測模型的記憶模塊中，得到負樣本相似度和正樣本相似度，上述負樣本相似度表征上述負樣本視頻特征組與上述記憶模塊中所存儲的記憶向量特征組的相似程度，上述正樣本相似度表征上述正樣本視頻特征組與上述記憶向量特征組的相似程度；基于對比學(xué)習(xí)損失函數(shù)，根據(jù)上述負樣本相似度和上述正樣本相似度得到上述對比學(xué)習(xí)損失。[0007]根據(jù)本發(fā)明的實施例，上述基于上述樣本視頻特征和上述重建損失生成負樣本視頻特征組，包括：基于梯度提取函數(shù)，計算上述重建損失關(guān)于上述樣本視頻特征的梯度矢量，上述梯度矢量表征上述樣本視頻特征對重建誤差的敏感程度；基于上述梯度矢量中的梯度方向信息和上述樣本視頻特征生成上述負樣本視頻特征組。[0008]根據(jù)本發(fā)明的實施例，上述對上述樣本視頻特征進行數(shù)據(jù)增強處理，得到正樣本6視頻特征組，包括：基于第一預(yù)設(shè)噪聲范圍生成第一噪聲，上述第一噪聲表征樣本視頻中的環(huán)境因素變化；基于第二預(yù)設(shè)噪聲范圍生成第二噪聲，上述第二噪聲表征樣本視頻中的視覺干擾因素；根據(jù)上述第一噪聲對上述樣本視頻特征進行比例縮放，得到縮放正樣本視頻特征組；根據(jù)上述第二噪聲對上述縮放正樣本視頻特征組進行隨機偏移，得到上述正樣本視頻特征組。[0009]根據(jù)本發(fā)明的實施例，上述記憶向量特征組中包括P個記憶向量特征，上述負樣本視頻特征組中包括M個負樣本視頻特征，上述正樣本視頻特征組中包括N個正樣本視頻特整數(shù)，n為小于等于N且大于0的正整數(shù)；上述將上述負樣本視頻特征組和上述正樣本視頻特征組分別輸入到上述初始視頻異常檢測模型的記憶模塊中，得到負樣本相似度和正樣本相似度，包括：針對上述負樣本視頻特征組中的第m個負樣本視頻特征，利用余弦相似度函數(shù)，基于上述第m個負樣本視頻特征和第p個上述記憶向量特征得到第p個子負樣本余弦相似度，以獲得子負樣本余弦相似度組，所述子負樣本余弦相似度組中包括P個子負樣本余弦相似度；針對上述正樣本視頻特征組中的第n個正樣本視頻特征，利用上述余弦相似度函數(shù)，基于上述第n個正樣本視頻特征和上述第p個記憶向量特征得到第p個子正樣本余弦相似度，以獲得子正樣本余弦相似度組，所述子正樣本余弦相似度組包括P個子正樣本余弦相似度；利用預(yù)設(shè)歸一化函數(shù)，分別對上述P個子負樣本余弦相似度進行歸一化并求和，得到第m個負樣本相似度，以獲得M個負樣本相似度；利用預(yù)設(shè)歸一化函數(shù)，分別對P個子正樣本余弦相似度進行歸一化并求和，得到第n個正樣本相似度，以獲得N個正樣本相似度。[0010]根據(jù)本發(fā)明的實施例，上述根據(jù)上述負樣本相似度和上述正樣本相似度得到上述樣本相似度指數(shù)求和，得到負樣本指數(shù)和；基于上述正樣本指數(shù)和和上述負樣本指數(shù)和，得到樣本指數(shù)和；基于上述正樣本指數(shù)和和上述樣本指數(shù)和得到上述對比學(xué)習(xí)損失。[0011]根據(jù)本發(fā)明的實施例，上述根據(jù)上述負樣本相似度和上述正樣本相似度得到上述對比學(xué)習(xí)損失，包括：針對第n個正樣本相似度，對上述第n個正樣本相似度分別與上述M個負樣本相似度進行求差，得到第n個子正負樣本相似差，得到M×N個子正負樣本相似差；基于預(yù)設(shè)邊界值，對上述M×N個子正負樣本相似差進行求和，得到M×N個子對比學(xué)習(xí)損失；將上述M×N個子對比學(xué)習(xí)損失中的非負值進行累加，得到上述對比學(xué)習(xí)損失。[0012]本發(fā)明的第二方面提供了一種視頻異常檢測方法，包括：獲取目標(biāo)視頻；將上述目標(biāo)視頻輸入到目標(biāo)視頻異常檢測模型中，得到檢測結(jié)果，上述檢測結(jié)果表征上述目標(biāo)視頻中是否存在異常，上述目標(biāo)視頻異常檢測模型是利用上述基于對比學(xué)習(xí)的視頻異常檢測模型的方法訓(xùn)練得到的。[0013]本發(fā)明的第三方面提供了一種基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置，包括：輸入提取模塊，用于將樣本視頻輸入到初始視頻異常檢測模型的特征提取模塊，得到樣本視頻特征；輸入重建模塊，用于將上述樣本視頻特征輸入到上述初始視頻異常檢測模型的重建模塊，得到重建樣本視頻，并基于重建損失函數(shù)，根據(jù)上述樣本視頻和上述重建樣本視頻得到重建損失；負樣本生成模塊，用于基于上述樣本視頻特征和上述重建損失生成負樣本視頻特征組；正樣本增強模塊，用于對上述樣本視頻特征進行數(shù)據(jù)增強處理，得到正樣本視頻特征組；對比學(xué)習(xí)損失計算模塊，用于基于對比學(xué)習(xí)損失函數(shù)，根據(jù)上述負樣本視頻7特征組和正樣本視頻特征組，得到對比學(xué)習(xí)損失；調(diào)整模塊，用于基于上述對比學(xué)習(xí)損失和上述重建損失調(diào)整上述初始視頻異常檢測模型的參數(shù)，得到目標(biāo)視頻檢測模型。[0014]本發(fā)明的第四方面提供了一種視頻異常檢測裝置，包括：獲取模塊，用于獲取目標(biāo)視頻；輸入模塊，用于將上述目標(biāo)視頻輸入到目標(biāo)視頻異常檢測模型中，得到檢測結(jié)果，上述檢測結(jié)果表征上述目標(biāo)視頻中是否存在異常，上述目標(biāo)視頻異常檢測模型是利用上述基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置訓(xùn)練得到的。[0015]本發(fā)明的第五方面提供了一種電子設(shè)備，包括：一個或多個處理器；存儲器，用于存儲一個或多個計算機程序，其中，上述一個或多個處理器執(zhí)行上述一個或多個計算機程序以實現(xiàn)上述方法的步驟。[0016]本發(fā)明的第六方面還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序或指令，上述計算機程序或指令被處理器執(zhí)行時實現(xiàn)上述方法的步驟。[0017]本發(fā)明的第七方面還提供了一種計算機程序產(chǎn)品，包括計算機程序或指令，上述計算機程序或指令被處理器執(zhí)行時實現(xiàn)上述方法的步驟。[0018]根據(jù)本發(fā)明實施例，通過將提取到的樣本視頻特征輸入到重建模塊，得到重建樣本視頻，并基于樣本視頻和重建樣本視頻得到重建損失，在重建損失的指引下基于樣本視頻特征生成負樣本視頻特征組，并同時為樣本視頻特征添加噪聲以生成正樣本視頻特征組，根據(jù)負樣本視頻特征組和正樣本視頻特征組計算得到對比學(xué)習(xí)損失，并基于對比學(xué)習(xí)損失和重建損失來聯(lián)合對初始視頻異常檢測模型進行優(yōu)化，使得記憶模塊能夠?qū)W習(xí)到更加復(fù)雜的正樣本視頻特征表示，從而提升對正常視頻的識別能力，并根據(jù)負樣本視頻特征組來明確正樣本和負樣本之間的邊界，使得視頻異常檢測更準(zhǔn)確，同時目標(biāo)視頻檢測模型能在無監(jiān)督的情況下學(xué)習(xí)到正常樣本和異常樣本之間的差異，降低對標(biāo)注數(shù)據(jù)的依賴。附圖說明[0019]通過以下參照附圖對本發(fā)明實施例的描述，本發(fā)明的上述內(nèi)容以及其他目的、特[0020]圖1示出了根據(jù)本發(fā)明實施例的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法、視頻異常檢測方法、基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置和視頻異常檢測裝置的應(yīng)用場景圖；[0021]圖2示出了根據(jù)本發(fā)明實施例的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法的流程圖；[0022]圖3示出了根據(jù)本發(fā)明實施例的視頻異常檢測方法的流程圖；[0023]圖4示出了根據(jù)本發(fā)明實施例的另一種視頻異常檢測模型的訓(xùn)練方法的流程圖；[0024]圖5示出了根據(jù)本發(fā)明實施例的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置的結(jié)構(gòu)框圖；[0025]圖6示出了根據(jù)本發(fā)明實施例的視頻異常檢測裝置的結(jié)構(gòu)框圖；[0026]圖7示出了根據(jù)本發(fā)明實施例的適于實現(xiàn)基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法的電子設(shè)備的方框圖。8具體實施方式[0027]以下，將參照附圖來描述本發(fā)明的實施例。但是應(yīng)該理解，這些描述只是示例性的，而并非要限制本發(fā)明的范圍。在下面的詳細描述中，為便于解釋，闡述了許多具體的細節(jié)以提供對本發(fā)明實施例的全面理解。然而，明顯地，一個或多個實施例在沒有這些具體細節(jié)的情況下也可以被實施。此外，在以下說明中，省略了對公知結(jié)構(gòu)和技術(shù)的描述，以避免不必要地混淆本發(fā)明的概念。[0028]在此使用的術(shù)語僅僅是為了描述具體實施例，而并非意在限制本發(fā)明。在此使用[0029]在此使用的所有術(shù)語(包括技術(shù)和科學(xué)術(shù)語)具有本領(lǐng)域技術(shù)人員通常所理解的含義，除非另外定義。應(yīng)注意，這里使用的術(shù)語應(yīng)解釋為具有與本說明書的上下文相一致的含義，而不應(yīng)以理想化或過于刻板的方式來解釋。領(lǐng)域技術(shù)人員通常理解該表述的含義來予以解釋(例如，“具有A、B和C中至少一個的系統(tǒng)”[0031]視頻異常檢測是一項重要的計算機視覺任務(wù)，廣泛應(yīng)用于安全監(jiān)控、行為識別和工業(yè)檢測等領(lǐng)域。其目標(biāo)是從視頻流中自動檢測出與正常模式顯著不同的異常事件。記憶增強自編碼器是一種經(jīng)典的視頻異常檢測方法，通過引入記憶模塊來存儲正常模式的特征，從而提升模型對正常模式的重建能力。記憶模塊存儲正常樣本的特征表示，輸入樣本的特征通過與記憶模塊進行匹配和增強，生成更準(zhǔn)確的重建結(jié)果。正常樣本的重建誤差較低，而異常樣本由于無法被記憶模塊有效匹配，重建誤差較高，從而實現(xiàn)異常檢測，在現(xiàn)有技術(shù)中，記憶模塊中的特征更新通常依賴于正常樣本，而缺乏對異常樣本的建模能力，使得模型在特征空間中無法學(xué)習(xí)到更強的區(qū)分能力。[0032]有鑒于此，本發(fā)明的實施例提供了一種基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法，包括：將樣本視頻輸入到初始視頻異常檢測模型的特征提取模塊，得到樣本視頻特征；將樣本視頻特征輸入到初始視頻異常檢測模型的重建模塊，得到重建樣本視頻，并基于重建損失函數(shù)，根據(jù)樣本視頻和重建樣本視頻得到重建損失；基于樣本視頻特征和重建損失生成負樣本視頻特征組；對樣本視頻特征進行數(shù)據(jù)增強處理，得到正樣本視頻特征組；基于對比學(xué)習(xí)損失函數(shù)，根據(jù)負樣本視頻特征組和正樣本視頻特征組，得到對比學(xué)習(xí)損失；基于對比學(xué)習(xí)損失和重建損失調(diào)整初始視頻異常檢測模型的參數(shù)，得到目標(biāo)視頻檢測模型。[0033]圖1示出了根據(jù)本發(fā)明實施例的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法、視頻異常檢測方法、基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置和視頻異常檢測裝置的應(yīng)用場景圖。[0034]如圖1所示，根據(jù)該實施例的應(yīng)用場景100可以包括第一終端設(shè)備101、第二終端設(shè)備102、第三終端設(shè)備103、網(wǎng)絡(luò)104和服務(wù)器105。網(wǎng)絡(luò)104用以在第一終端設(shè)備101、第二終端設(shè)備102、第三終端設(shè)備103和服務(wù)器105之間提供通信鏈路的介質(zhì)。網(wǎng)絡(luò)104可以包括各種連接類型，例如有線、無線通信鏈路或者光[0035]用戶可以使用第一終端設(shè)備101、第二終端設(shè)備102、第三終端設(shè)備103通過網(wǎng)絡(luò)9104與服務(wù)器105交互，以接收或發(fā)送消息等。第一終端設(shè)備101、第二終端設(shè)備102、第三終端設(shè)備103上可以安裝有各種通訊客戶端應(yīng)用，例如購物類應(yīng)用、網(wǎng)頁瀏覽器應(yīng)用、搜索類[0036]第一終端設(shè)備101、第二終端設(shè)備102、第三終端設(shè)備103可以是具有顯示屏并且支持網(wǎng)頁瀏覽的各種電子設(shè)備，包括但不限于智能手機、平板電腦、膝上型便攜計算機和臺式計算機等等。[0037]服務(wù)器105可以是提供各種服務(wù)的服務(wù)器，例如對用戶利用第一終端設(shè)備101、第二終端設(shè)備102、第三終端設(shè)備103所瀏覽的網(wǎng)站提供支持的后臺管理服務(wù)器(僅為示例)。后臺管理服務(wù)器可以對接收到的用戶請求等數(shù)據(jù)進行分析等處理，并將處理結(jié)果(例如根據(jù)用戶請求獲取或生成的網(wǎng)頁、信息、或數(shù)據(jù)等)反饋給終端設(shè)備。[0038]需要說明的是，本發(fā)明實施例所提供的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法、視頻異常檢測方法方法一般可以由服務(wù)器105執(zhí)行。相應(yīng)地，本發(fā)明實施例所提供的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置、視頻異常檢測裝置一般可以設(shè)置于服務(wù)器105中。本發(fā)明實施例所提供的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法、視頻異常檢測方法也可以由不同于服務(wù)器105且能夠與第一終端設(shè)備101、第二終端設(shè)備102、第三終端設(shè)備103和/或服務(wù)器105通信的服務(wù)器或服務(wù)器集群執(zhí)行。相應(yīng)地，本發(fā)明實施例所提供的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置、視頻異常檢測裝置也可以設(shè)置于不同于服務(wù)器105且能夠與第一終端設(shè)備101、第二終端設(shè)備102、第三終端設(shè)備103和/或服務(wù)器105通信的服務(wù)器或服務(wù)器集群中。[0039]應(yīng)該理解，圖1中的終端設(shè)備、網(wǎng)絡(luò)和服務(wù)器的數(shù)目僅僅是示意性的。根據(jù)實現(xiàn)需[0040]以下將基于圖1描述的場景，通過圖2對發(fā)明實施例的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法進行詳細描述。[0041]圖2示出了根據(jù)本發(fā)明實施例的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法的流程圖。[0042]如圖2所示，該實施例的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法包括操作S210~操作S260。[0043]在操作S210,將樣本視頻輸入到初始視頻異常檢測模型的特征提取模塊，得到樣本視頻特征。[0044]根據(jù)本發(fā)明實施例，上述樣本視頻為正常視頻片段，尺寸為[B,C×S,H,W],其中B是批量大小，C是通道數(shù)，S是幀序列長度，H和W是樣本視頻中一幀圖像的高度和表示提取后的特征通道數(shù)，特征提取模塊提取視頻特征，特征提取模塊包括初始卷積層和三層下采樣層，特征尺寸逐步縮小為[B,F×2,H/2,W/2]、[B,F×4,H/4,W/4]、[0045]在操作S220,將樣本視頻特征輸入到初始視頻異常檢測模型的重建模塊，得到重建樣本視頻，并基于重建損失函數(shù)，根據(jù)樣本視頻和重建樣本視頻得到重建損失。[0046]根據(jù)本發(fā)明實施例，重建模塊逐步恢復(fù)樣本視頻特征的空間維度，輸出尺寸依次為[B,F×4,H/4,W/4]、[B,F×2,H/2,W/2]、[B,F,H,W],最終通過輸出卷積層生成重建樣本視頻，重建樣本視頻的尺寸為[B,C×S,H,W],可以通過如下公式(1)計算得組，上述樣本視頻特征的特征維度為[B,F×8,H/8,W/8],因此添加噪聲后得到的負樣本視頻特征組中的每一個負樣本視頻特征的以得到正樣本視頻特征組，由于樣本視頻特征的特征維度為[B,F×8,H/8,W/8],因此[0054]在操作S250,基于對比學(xué)習(xí)損失函數(shù)，根據(jù)負樣本視頻特征組和正樣本視頻特征[0055]在操作S260,基于對比學(xué)習(xí)損失和重建損失調(diào)整初始視頻異常檢測模型的參數(shù)，頻特征生成負樣本視頻特征組，并同時為樣本視頻特征添加噪聲以生成正樣本視頻特征11基于梯度提取函數(shù)，計算重建損失關(guān)于樣本視頻特征的梯度矢量，梯度矢量表征樣本視頻特征對重建誤差的敏感程度；基于梯度矢量中的梯度方向信息和樣本視頻特征生成負樣本視頻特征組。[0061]根據(jù)本發(fā)明實施例，可以通過如下公式(3)計算得到負樣本視頻特征組。征N偏離樣本視頻特征Z的程度，Lrec表示重建損失，用于衡量樣本視頻與樣本重建視頻之間的誤差，VzLrec表示對重建損失Lrec關(guān)于樣本視頻特征Z的梯度矢量，sign(VzLrec)表示梯度矢量中的梯度方向信息。[0064]根據(jù)本發(fā)明實施例，通過對樣本視頻特征添加基于梯度的擾動，生成的負樣本視頻特征會有意偏離正常樣本的分布，使其更具挑戰(zhàn)性。梯度方向指向重建誤差增大的方向，這意味著生成的負樣本視頻特征會更加難以被目標(biāo)視頻檢測模型重建，從而在特征空間中更接近異常樣本的分布。[0065]根據(jù)本發(fā)明實施例，E的值會影響生成的負樣本視頻特征，E太小可能導(dǎo)致負樣本視頻特征與正常樣本過于接近，難以起到區(qū)分效果?！侍罂赡軐?dǎo)致負樣本視頻特征完全偏離正常模式，失去結(jié)構(gòu)性，影響訓(xùn)練效果。建議通過實驗調(diào)整∈,通0.1]內(nèi)。[0066]根據(jù)本發(fā)明實施例，基于對抗生成的負樣本視頻特征完全由梯度矢量生成，而無需人工標(biāo)注異常樣本，極大地降低了數(shù)據(jù)需求和標(biāo)注成本，進一步地，通過生成難以重建的負樣本視頻特征，使得模型在特征空間中學(xué)習(xí)到了更強的區(qū)分能力，進而使得正常樣本與異常樣本在特征空間中更加分離。此外，負樣本視頻特征的分布偏離樣本視頻特征，但仍保留了一定的結(jié)構(gòu)性，可以有效填補無監(jiān)督學(xué)習(xí)中負樣本的缺失。并且擾動強度可控，便于調(diào)整負樣本視頻特征的難度，從而使目標(biāo)視頻檢測模型逐步適應(yīng)更復(fù)雜的異常場景；更重要的是，梯度方向與樣本視頻特征和目標(biāo)視頻檢測模型的當(dāng)前狀態(tài)密切相關(guān)，因此生成的負樣本視頻特征會隨著訓(xùn)練動態(tài)變化，具有較高的多樣性。這種動態(tài)生成的負樣本視頻特征避免了靜態(tài)負樣本視頻特征可能導(dǎo)致的過擬合問題，提升了目標(biāo)視頻檢測模型的區(qū)分能力和魯棒性。[0067]根據(jù)本發(fā)明實施例，對樣本視頻特征進行數(shù)據(jù)增強處理，得到正樣本視頻特征組，包括：基于第一預(yù)設(shè)噪聲范圍生成第一噪聲，第一噪聲表征樣本視頻中的環(huán)境因素變化；基于第二預(yù)設(shè)噪聲范圍生成第二噪聲，第二噪聲表征樣本視頻中的視覺干擾因素；根據(jù)第一噪聲對樣本視頻特征進行比例縮放，得到縮放正樣本視頻特征組；根據(jù)第二噪聲對縮放正樣本視頻特征組進行隨機偏移，得到正樣本視頻特征組。[0068]根據(jù)本發(fā)明實施例，正樣本視頻特征組是為了增強目標(biāo)視頻檢測模型對正常模式的學(xué)習(xí)能力，同時提升目標(biāo)視頻檢測模型在復(fù)雜場景下的泛化性能。通過加入噪聲擾動或特征變換，生成的正樣本視頻特征組與原始樣本視頻特征保持語義一致，但具有更復(fù)雜的背景或特征分布，使目標(biāo)視頻檢測模型在訓(xùn)練時面臨更大的挑戰(zhàn)。[0069]可以通過如下公式(4)計算得到正樣本視頻特征組。示第二噪聲。[0072]根據(jù)本發(fā)明實施例，第一預(yù)設(shè)噪聲范圍為從正態(tài)分布采樣的噪聲中確定的N(1,1)范圍，第一噪聲用于對樣本視頻特征進行比例縮放，采樣的噪聲值圍繞均值1波動，確保樣本視頻特征的整體幅值變化較小，語義保持一致，但特征分布發(fā)生擾動，這一步模擬了樣本在不同尺度或幅值下的變化，例如光照強度變化或場景細節(jié)變化。第二預(yù)設(shè)噪聲范圍為從正態(tài)分布采樣的噪聲中確定的N(0,1)范圍，第二噪聲用于對樣本特征添加隨機偏移，采樣的噪聲值圍繞均值0波動，模擬樣本在背景或環(huán)境中的隨機變化，這一步模擬了樣本在背景或環(huán)境中的隨機擾動，例如噪聲干擾或微小遮擋。正樣本視頻特征具有噪聲擾動但保持與樣本視頻特征的語義一致性。[0073]根據(jù)本發(fā)明實施例，通過第一預(yù)設(shè)噪聲范圍生成第一噪聲，第二預(yù)設(shè)噪聲范圍生成第二噪聲，進一步地根據(jù)第一噪聲對樣本視頻特征進行比例縮放，根據(jù)第二噪聲對縮放正樣本視頻特征組進行隨機偏移，得到正樣本視頻特征組，使得正樣本視頻特征組保證語義一致性的前提下，模擬了樣本視頻中復(fù)雜場景的變化，使得目標(biāo)視頻檢測模型能夠適應(yīng)更多樣化的正常模式，在噪聲或環(huán)境變化的情況下表現(xiàn)出更強的魯棒性，并且由于正樣本視頻特征組的特征分布更復(fù)雜，目標(biāo)視頻檢測模型在訓(xùn)練時需要更強的能力來正確識別這些樣本為正常樣本，從而提升目標(biāo)視頻檢測模型對正常模式的建模能力。[0074]根據(jù)本發(fā)明實施例，基于對比學(xué)習(xí)損失函數(shù)，根據(jù)負樣本視頻特征組和正樣本視頻特征組，得到對比學(xué)習(xí)損失，包括：將負樣本視頻特征組和正樣本視頻特征組分別輸入到初始視頻異常檢測模型的記憶模塊中，得到負樣本相似度和正樣本相似度，負樣本相似度表征負樣本視頻特征組與記憶模塊中所存儲的記憶向量特征組的相似程度，正樣本相似度表征正樣本視頻特征組與記憶向量特征組的相似程度；基于對比學(xué)習(xí)損失函數(shù)，根據(jù)負樣本相似度和正樣本相似度得到對比學(xué)習(xí)損失。[0075]根據(jù)本發(fā)明實施例，記憶向量特征組中包括P個記憶向量特征，負樣本視頻特征組且大于0的正整數(shù)；將負樣本視頻特征組和正樣本視頻特征組分別輸入到初始視頻異常檢測模型的記憶模塊中，得到負樣本相似度和正樣本相似度，包括：針對負樣本視頻特征組中的第m個負樣本視頻特征，利用余弦相似度函數(shù)，基于第m個負樣本視頻特征和第p個記憶向量特征得到第p個子負樣本余弦相似度，以獲得子負樣本余弦相似度組，所述子負樣本余弦相似度組中包括P個子負樣本余弦相似度；針對正樣本視頻特征組中的第n個正樣本視頻特征，利用余弦相似度函數(shù)，基于第n個正樣本視頻特征和第p個記憶向量特征得到第p個子正樣本余弦相似度，以獲得子正樣本余弦相似度組，所述子正樣本余弦相似度組包括P個子正樣本余弦相似度；利用預(yù)設(shè)歸一化函數(shù)，分別對P個子負樣本余弦相似度進行歸一化并求正樣本余弦相似度進行歸一化并求和，以獲得第n個正樣本相似度，得到N個正樣本相似度。[0076]根據(jù)本發(fā)明實施例，記憶模塊的輸入包括輸入特征k∈Rd和記憶模塊中存儲的記憶向量特征組memory=[m?,m?,…,mp]∈RP×d,記憶向量特征組包括P個記憶向[0077]根據(jù)本發(fā)明實施例，可以通過如下公式(5)計算得到子負樣本余弦相似度和子正表示記憶向量特征組中的第p個記憶向量特征，similarity(k,mp)表示負樣本視頻特征組中的第k個負樣本視頻特征和記憶向量特征組本視頻特征和記憶向量特征組中的第p個記憶向量特征之間的子正樣本余弦相似度，特征和記憶向量特征組之間的子負樣本相似度，或正樣本視頻特征組中的第k個正樣本視征組中的第k個負樣本視頻特征和記憶向量特征組中的第p個記憶向量特征之間的子負樣個記憶向量特征之間的子正樣本余弦相似度，memory表示記憶向量特征組，k表示輸入助于提高模型在實際應(yīng)用中對視頻異常情況的檢測準(zhǔn)確性，并且通關(guān)對比學(xué)習(xí)損失函數(shù)，有利于區(qū)分正常和異常視頻特征的方向進行學(xué)習(xí)，從而提高目標(biāo)視頻檢測模型的整體性[0089]根據(jù)本發(fā)明實施例，上述公式(7)的分子部分計算正樣本視頻特征組與記憶模塊×N個子對比學(xué)習(xí)損失；將M×N個子對比學(xué)習(xí)損失中的非負值進行累加，得到對比學(xué)習(xí)損失。[0092]Lcounteractual=Lke[ZaugN][similarity(N,memory)-similarity(Zaug,memory)+margin](8)表示負樣本視頻特征組，similarity(N,memory)表示負樣本視頻特征組與記憶向量特征組之間的負樣本相似度，similarity(Zaug,memory)表示正樣本視頻特征[0100]根據(jù)本發(fā)明實施例，目標(biāo)視頻異常檢測模型中包括目標(biāo)記憶模塊和目標(biāo)重建模塊，由目標(biāo)視頻提取得到的目標(biāo)視頻特征首先經(jīng)過目標(biāo)記憶模塊來計算對應(yīng)的權(quán)重目標(biāo)視頻特征，再經(jīng)由目標(biāo)重建模塊重建從而得到重建目標(biāo)視頻，可以通過如下公式(9)來計算得到對應(yīng)的權(quán)重。[0101]可以通過如下公式(9)計算得到權(quán)重目標(biāo)視頻特征。[0103]其中，Zout表示權(quán)重目標(biāo)視頻特征，mi表示目標(biāo)記憶模塊中存儲的目標(biāo)記憶向量特征組中的第i個目標(biāo)記憶向量特征，k′表示目標(biāo)視頻特征，T為溫度參數(shù)。[0104]根據(jù)本發(fā)明實施例，在訓(xùn)練完成后對視頻進行識別時，無需再生成正樣本視頻特征組和負樣本視頻特征組，直接通過目標(biāo)視頻和目標(biāo)重建視頻之間的重建誤差來判斷目標(biāo)視頻是否存在異常。[0105]圖4示出了根據(jù)本發(fā)明實施例的另一種視頻異常檢測模型的訓(xùn)練方法的流程圖。[0106]在操作S410中，初始視頻異常檢測模型對樣本視頻進行特征提取得到樣本視頻特[0107]在操作S420中，初始視頻異常檢測模型的重建模塊基于樣本視頻特征進行重建，得到重建樣本視頻。[0108]在操作S430中，基于重建樣本視頻和樣本視頻計算得到重建損失。[0109]在操作S440中，對樣本視頻特征添加噪聲得到正樣本視頻特征組。[0110]在操作S450中，基于重建損失對樣本視頻添加噪聲得到負樣本視頻特征組。[0111]在操作S460中，基于正樣本視頻特征組和負樣本視頻特征組得到對比學(xué)習(xí)損失。[0112]在操作S470,聯(lián)合優(yōu)化對比學(xué)習(xí)損失和重建損失。[0113]在操作S480,當(dāng)對比學(xué)習(xí)損失和重建損失達到預(yù)設(shè)條件后，得到目標(biāo)視頻檢測模[0114]基于上述基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法，本發(fā)明還提供了一種基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置。以下將結(jié)合圖5對該裝置進行詳細描述。[0115]圖5示出了根據(jù)本發(fā)明實施例的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置的結(jié)構(gòu)框圖。[0116]如圖5所示，該實施例的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置500包括輸入提取模塊510、輸入重建模塊520、負樣本生成模塊530、正樣本增強模塊540、對比學(xué)習(xí)損失計算模塊550和調(diào)整模塊560。[0117]輸入提取模塊510用于將樣本視頻輸入到初始視頻異常檢測模型的特征提取模塊，得到樣本視頻特征。在一實施例中，輸入提取模塊510可以用于執(zhí)行前文描述的操作S210,在此不再贅述。[0118]輸入重建模塊520用于將樣本視頻特征輸入到初始視頻異常檢測模型的重建模塊，得到重建樣本視頻，并基于重建損失函數(shù)，根據(jù)樣本視頻和重建樣本視頻得到重建損失。在一實施例中，輸入重建模塊520可以用于執(zhí)行前文描述的操作S220,在此不再贅述。[0119]負樣本生成模塊530用于基于樣本視頻特征和重建損失生成負樣本視頻特征組。在一實施例中，負樣本生成模塊530可以用于執(zhí)行前文描述的操作S230,在此不再贅述。[0120]正樣本增強模塊540用于對樣本視頻特征進行數(shù)據(jù)增強處理，得到正樣本視頻特征組。在一實施例中，正樣本增強模塊540可以用于執(zhí)行前文描述的操作S240,在此不再贅述。[0121]對比學(xué)習(xí)損失計算模塊550用于基于對比學(xué)習(xí)損失函數(shù)，根據(jù)負樣本視頻特征組和正樣本視頻特征組，得到對比學(xué)習(xí)損失。在一實施例中，對比學(xué)習(xí)損失計算模塊550可以用于執(zhí)行前文描述的操作S250,在此不再贅述。[0122]調(diào)整模塊560用于基于對比學(xué)習(xí)損失和重建損失調(diào)整初始視頻異常檢測模型的參數(shù)，得到目標(biāo)視頻檢測模型。在一實施例中，調(diào)整模塊560可以用于執(zhí)行前文描述的操作S260,在此不再贅述。[0123]根據(jù)本發(fā)明的實施例，輸入提取模塊510、輸入重建模塊520、負樣本生成模塊530、正樣本增強模塊540、對比學(xué)習(xí)損失計算模塊550和調(diào)整模塊560中的任意多個模塊可以合并在一個模塊中實現(xiàn)，或者其中的任意一個模塊可以被拆分成多個模塊。或者，這些模塊中的一個或多個模塊的至少部分功能可以與其他模塊的至少部分功能相結(jié)合，并在一個模塊中實現(xiàn)。根據(jù)本發(fā)明的實施例，輸入提取模塊510、輸入重建模塊520、負樣本生成模塊530、正樣本增強模塊540、對比學(xué)習(xí)損失計算模塊550和調(diào)整模塊560中的至少一個可以至少被部分地實現(xiàn)為硬件電路，例如現(xiàn)場可編程門陣列(FPGA)、可編程邏輯陣列(PLA)、片上系統(tǒng)、基板上的系統(tǒng)、封裝上的系統(tǒng)、專用集成電路(ASIC),或可以通過對電路進行集成或封裝的任何其他的合理方式等硬件或固件來實現(xiàn)，或以軟件、硬件以及固件三種實現(xiàn)方式中任意一種或以其中任意幾種的適當(dāng)組合來實現(xiàn)?；蛘?，輸入提取模塊510、輸入重建模塊520、負樣本生成模塊530、正樣本增強模塊540、對比學(xué)習(xí)損失計算模塊550和調(diào)整模塊560中的至少一個可以至少被部分地實現(xiàn)為計算機程序模塊，當(dāng)該計算機程序模塊被運行時，可以執(zhí)行相應(yīng)的功能。[0124]基于上述視頻異常檢測方法，本發(fā)明還提供了一種視頻異常檢測裝置。以下將結(jié)合圖6對該裝置進行詳細描述。[0125]圖6示出了根據(jù)本發(fā)明實施例的視頻異常檢測裝置的結(jié)構(gòu)框圖。[0126]如圖6所示，該實施例的視頻異常檢測裝置600包括獲取模塊610、輸入模塊620。[0127]獲取模塊610用于獲取目標(biāo)視頻。在一實施例中，獲取模塊610可以用于執(zhí)行前文描述的操作S310,在此不再贅述。[0128]輸入模塊620用于將目標(biāo)視頻輸入到目標(biāo)視頻異常檢測模型中，得到檢測結(jié)果，檢測結(jié)果表征目標(biāo)視頻中是否存在異常，目標(biāo)視頻異常檢測模型是利用上述的基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練裝置訓(xùn)練得到的。在一實施例中，輸入模塊620可以用于執(zhí)行前文描述的操作S320,在此不再贅述。[0129]根據(jù)本發(fā)明的實施例，獲取模塊610、輸入模塊620中的任意多個模塊可以合并在一個模塊中實現(xiàn)，或者其中的任意一個模塊可以被拆分成多個模塊?；蛘撸@些模塊中的一個或多個模塊的至少部分功能可以與其他模塊的至少部分功能相結(jié)合，并在一個模塊中實現(xiàn)。根據(jù)本發(fā)明的實施例，獲取模塊610、輸入模塊620中的至少一個可以至少被部分地實現(xiàn)統(tǒng)、封裝上的系統(tǒng)、專用集成電路(ASIC),或可以通過對電路進行集成或封裝的任何其他的合理方式等硬件或固件來實現(xiàn)，或以軟件、硬件以及固件三種實現(xiàn)方式中任意一種或以其中任意幾種的適當(dāng)組合來實現(xiàn)?；蛘?，獲取模塊610、輸入模塊620中的至少一個可以至少被部分地實現(xiàn)為計算機程序模塊，當(dāng)該計算機程序模塊被運行時，可以執(zhí)行相應(yīng)的功能。[0130]圖7示出了根據(jù)本發(fā)明實施例的適于實現(xiàn)基于對比學(xué)習(xí)的視頻異常檢測模型的訓(xùn)練方法的電子設(shè)備的方框圖。[0131]如圖7所示，根據(jù)本發(fā)明實施例的電子設(shè)備700包括處理器701,其可以根據(jù)存儲在只讀存儲器(ROM702)中的程序或者從存儲部分708加載到隨機訪問存儲器(RAM703)中的程序而執(zhí)行各種適當(dāng)?shù)膭幼骱吞幚?。處理?01例如可以包括通用微處理器(例如CPU)、指令集處理器和/或相關(guān)芯片組和/或?qū)Ｓ梦⑻幚砥?例如，專用集成電路(ASIC))等等。處理器701還可以包括用于緩存用途的板載存儲器。處理器701可以包括用于執(zhí)行根據(jù)本發(fā)明實施例的方法流程的不同動作的單一處理單元或者是多個處理單元。[0132]在RAM703中，存儲有電子設(shè)備700操作所需的各種程序和數(shù)據(jù)。處理器701、ROM702以及RAM703通過總線704彼此相連。處理器701通過執(zhí)行ROM702和/或RAM703中的程序來執(zhí)行根據(jù)本發(fā)明實施例的方法流程的各種操作。需要注意，所述程序也可以存儲在除ROM702和RAM703以外的一個或多個存儲器中。處理器701也可以通過執(zhí)行存儲在所述一個或多個存儲器中的程序來執(zhí)行根據(jù)本發(fā)明實施例的方法流程的各種操作。[0133]根據(jù)本發(fā)明的實施例，電子設(shè)備700還可以包括輸入/輸出(I/0)接口705,輸入/輸出(I/0)接口705也連接至總線704。電子設(shè)備700還可以包括連接至輸入/輸出(I/0)接口705的以下部件中的一項或多項：包括鍵盤、鼠標(biāo)等的輸入部分706;包括諸如陰極射線管(CRT)、液晶顯示器(LCD)等以及揚聲器等的輸出部分707;包括硬盤等的存儲部分708;以及包括諸如LAN卡、調(diào)制解調(diào)器等的網(wǎng)絡(luò)接口卡的通信部分709。通信部分709經(jīng)由諸如因特網(wǎng)的網(wǎng)絡(luò)執(zhí)行通信處理。驅(qū)動器710也根據(jù)需要連接至輸入/輸出(I/0)接口705?？刹鹦督橘|(zhì)711,諸如磁盤、光盤、磁光盤、半導(dǎo)體存儲器等等，根據(jù)需其上讀出的計算機程序根據(jù)需要被安裝入存儲部分708。[0134]本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)可以是上述實施例中描述的設(shè)備/裝置/系統(tǒng)中所包含的；也可以是單獨存在，而未裝配入該設(shè)備/裝置/系統(tǒng)中。上述計算機可讀存儲介質(zhì)承載有一個或者多個程序，當(dāng)上述一個或者多個程序被執(zhí)行時，實現(xiàn)根據(jù)本發(fā)明實施例的方法。[0135]根據(jù)本