CN104992177A - 基于深层卷积神经网络的网络色情图像检测方法 - Google Patents

基于深层卷积神经网络的网络色情图像检测方法 Download PDF

Info

Publication number
CN104992177A
CN104992177A CN201510325833.XA CN201510325833A CN104992177A CN 104992177 A CN104992177 A CN 104992177A CN 201510325833 A CN201510325833 A CN 201510325833A CN 104992177 A CN104992177 A CN 104992177A
Authority
CN
China
Prior art keywords
network
image
convolutional neural
training
pornographic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510325833.XA
Other languages
English (en)
Inventor
李腾
年福东
王妍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN201510325833.XA priority Critical patent/CN104992177A/zh
Publication of CN104992177A publication Critical patent/CN104992177A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于深层卷积神经网络的网络色情图像检测方法，包括以下步骤：通过人工标定的方法获取色情图像与正常图像，对这些图像进行预处理与增强获得有效的方形训练图像；将获得的有效图像送入深层卷积神经网络中来训练网络；将网络模型在验证集上进行验证，根据结果调整训练集并继续训练深层卷积神经网络；重复上一步直至在验证集上的检测准确率达到预期目标或者网络损失函数开始收敛；将训练好的网络在测试集上进行测试。本发明的有益效果是：提出一种基于深层卷积神经网络的色情图像检测方法，使其能够通过单一模型快速准确的检测出几乎所有类型的色情图像，实际测试中本发明的检测准确率达到98.6％以上。

Description

基于深层卷积神经网络的网络色情图像检测方法
技术领域
本发明属于计算机视觉、图像识别领域，涉及一种基于深层卷积神经网络的网络色情图像检测方法。
背景技术
现有的从海量网络图片中准确快速地检测色情图像的具体有以下方法：
第一种、通过肤色统计的色情图像检测方法
解决方案：通过肤色检测模型(基于不同颜色空间颜色特征或纹理特征，并运用高斯混合模型判断一个像素点是否为皮肤)检测出图像中的肤色区域，根据肤色区域面积占总图像面积的比例判断图像是否色情。
缺点：(1)很多图像即使皮肤区域较多也不是色情图像(如含有穿着比基尼的人物的图像，如图1(a)所示)；
(2)一些色情图像的肤色区域所占整幅图像的比重并不高(一些色情图像只是裸露了色情部分)；
(3)建立一种通用准确的肤色检测模型是极其困难的(不同人、不同种族的肤色差异较大，或者一些正常图像的颜色非常类似于肤色)；如图1(a)(b)(c)所示，对(a)(b)两幅图像建立都适用的肤色模型是困难的，且现有的肤色检测算法会把(c)图大面积认为是皮肤。
第二种、基于图像检索的色情图像检测方法
解决方案：首先预先构建一个既包含正常图像又包含色情图像的图像数据库，然后对于待检测图像和已建立图像数据库中的每一幅图像进行比对，找到最相似的n幅图像，最终根据这n幅图像中色情图像所占的比例判断待检测图像是否为色情图像。
缺点：(1)选择何种类型的图像构建待检索图像数据库对最终效果影响很大(色情图像和正常图像都具有海量的样式，选取有限的图像代表所有类型是不可能的，会经常出现一幅色情图像在图像数据库中检索不到很相似图像的情况)；
(2)选取何种特征来比对两幅图像比较相似是非常困难的(弱特征会带来大量误判，强特征会导致检索不到相似图片)。
第三种、结合肤色信息与低级视觉特征的色情图像检测方法
解决方案：在训练阶段首先根据肤色信息检测图像的肤色区域，在检测的皮肤区域中提取纹理、形状、局部特征点等特征。然后把这些特征送入SVM、贝叶斯或单层神经网络等分类器中训练这些分类器。在识别阶段用和训练阶段同样的方法提取特征送入已训练好的分类器判断结果。
缺点：(1)同样采用了肤色检测模型，具有和现有方法1同样的缺陷；
(2)采用何种低级视觉特征、如何选择分类器都是根据经验的，很难保证最佳检测效果。
第四种、基于视觉词袋的高级语义模型的色情图像检测方法
解决方案：在训练阶段提取SIFT或者Dense-SIFT、Hue-SIFT等特征通过聚类的方法构建视觉词袋，每一幅训练图像都利用构建的视觉词袋表示为一个高维特征向量，使用这些特征向量训练一个SVM分类器。对待检测的图像用同样方法提取特征送入已训练好的分类器即可获得结果。
缺点：(1)采用何种特征构建视觉词袋是困难的；
(2)视觉词袋的大小没有对应的评价标准；
(3)有些图像的主体部分所占图像的比例过小，通过特征点的提取会出现大量无意义的特征点，从而影响分类效果；如图1(d)所示，如果这是一幅色情图像，则提取的特征点会包含大量的干扰的背景信息，从而影响分类器的判断。
第五种、使用小样本直接训练卷积神经网络
解决方案：训练色情图片检测网络时直接采用已标记好的小样本进行网络参数的更新，待网络收敛时即可使用其检测新图片。
缺点：训练样本数量很少，容易产生过拟合，会导致在训练集准确率很高而在测试集准确率很低的情况。
发明内容
本发明要解决的技术问题是：基于上述问题，本发明提供一种基于深层卷积神经网络的网络色情图像检测方法，以便在海量网络图片中准确快速的检测出色情图像。
本发明解决其技术问题所采用的一个技术方案是：一种基于深层卷积神经网络的网络色情图像检测方法，包括以下步骤：
(1)通过人工标定的方法获取色情图像与正常图像，对这些图像进行预处理与增强，获得有效的方形训练图像；
(2)将步骤(1)获得的有效的方形训练图像送入深层卷积神经网络中来训练网络；
(3)将步骤(2)得到的网络模型在验证集上进行验证，根据结果调整训练集并继续训练深层卷积神经网络；
(4)重复步骤(3)直至在验证集上的检测准确率达到预期目标或者网络损失函数开始收敛；
(5)将训练好的网络在测试集上进行测试。
进一步地，步骤(1)中增强获得有效的方形训练图像对获得的方形图像进行多种变换以增强训练数据的个数，具体方法为：对图像进行转置和水平镜像翻转；在0.5～1.5之间随机选取4个值作为方差对图像进行高斯模糊，再随机选择4个值作为因子乘以所有像素进行亮度变换；进行图像增强，轻微地依次改变原图像R,G,B三个通道的值；并对图片添加随机噪声。
进一步地，步骤(2)中深层卷积神经网络共有10层，从左至右分别为5个卷积层、4个全连接层和1个softmax层。
进一步地，训练网络是将5个卷积层和3个全连接层这前八层网络作为现有的图像大分类公开数据集的分类模型进行分类，具体方法为：当前八层网络对于其它大分类数据集效果满足要求时，直接把这八层网络的参数迁移到色情图像检测的网络上进行参数微调。
本发明的有益效果是：提出一种基于深层卷积神经网络的色情图像检测方法，使其能够通过单一模型快速准确的检测出几乎所有类型的色情图像，实际测试中本发明的检测准确率达到98.6％以上；通过迁移训练的方式解决色情图像训练样本不足所造成的深层网络效果下降的问题。
附图说明
下面结合附图对本发明进一步说明。
图1是本发明的背景技术中用来解释目前存在的方法缺陷的图组；
图2是本发明的整体流程图；
图3是本发明的训练阶段有效数据获取与快速扫描测试图像方法；
图4是本发明的训练图像增强的方法；
图5是本发明的深层卷积神经网络的结构。
具体实施方式
现在结合具体实施例对本发明作进一步说明，以下实施例旨在说明本发明而不是对本发明的进一步限定。
一、有效训练图像数据的获取与增强
(1)通过人工标定的方法获得3300张色情图片与5300张正常图片，将这些图片分为四个图像集：训练集(1500张色情，3500张正常)，辅助训练集(800张色情，800张正常)，验证集(500张色情，500张正常)，测试集(500张色情，500张正常)；
(2)对训练集、辅助训练集两个图像集进行有效训练区域获取与数据增强
1)有效训练区域获取(如图3(a)所示)
A.将这些图片的短边缩放为227像素，另一边按原始图像比例变化，每一幅图片都变为227*N或N*227像素的图像；
B.对于正常图像只需随机选取10个227*227的方形子图像作为待增强训练图像；
对于色情图像，以事先标定的色情区域为基准，随机裁剪10个227*227像素的子图像作为有效区域(保证所裁减的子图像和标定的色情区域的重合度大于90％)，短边缩放为227可以保证这一步有效区域提取的快速进行(只需在一个方向上裁剪即可)。
2)有效训练图像的数据增强(如图4所示)
对上一步获得的所有方形图像都进行多种变换以增强训练数据的个数。具体方法为：对图像进行转置和水平镜像翻转；在0.5-1.5之间随机选取4个值作为方差对图像进行高斯模糊，再随机选择4个值作为因子乘以所有像素进行亮度变换；进行图像增强，轻微地依次改变原图像R,G,B三个通道的值；并对图片添加随机噪声。部分数据增强效果如图4所示。
二、设计深层卷积神经网络结构(如图5所示)
本发明所设计的深层卷积神经网络共有10层(从左至右分别为5个卷积层，4个全连接层，1个softmax层)。每一层的参数描述如下：
卷积层1：96组卷积核，每组卷积核的尺寸为11*11*3(11*11表示卷积核的长宽，3表示要卷积的图像的通道)，卷积的步长为4；卷积得到的96幅特征图像经过RELU非线性映射和一个核为3*3步长为2的下采样，再经过一次正则化后得到的96幅特征图送往卷积层2；
卷积层2：步骤和卷积层1相同，不同的是：有256组滤波核，每组尺寸为5*5*96，卷积步长为1.其它和卷积层1相同，输出送往卷积层3；
卷积层3：步骤和卷积层1相同，不同的是：有384组滤波核，每组尺寸为3*3*256，卷积步长为1.其它和卷积层1相同；输出送往卷积层4；
卷积层4：步骤和卷积层1相同，不同的是：有384组滤波核，每组尺寸为3*3*384，卷积步长为1.其它和卷积层1相同输出送往卷积层5；
卷积层5：步骤和卷积层1相同，不同的是：有256组滤波核，每组尺寸为3*3*384，卷积步长为1.其它和卷积层1相同，输出送往全连接层1；
全连接层1：4096个节点，每个节点都进行一个概率为50％的dropout，每个节点的输出都进行一次RELU非线性映射作为最终输出，结果送往全连接层2；
全连接层2：4096个节点，操作同全连接层1，结果送往全连接层3；
全连接层3：4096个节点，只进行一次全连接，没有dropout及非线性映射操作，结果送往全连接层4；
全连接层4：2048个节点，操作同全连接层3，结果送往softmax层；
Softmax分类层：2个输出分别代表色情和非色情。
三、网络训练策略
1)为了解决训练数据不足可能会对检测结果造成影响的问题，本发明将网络训练分为两个模块。如图5所示，本发明将前八层(5个卷积层，3个全连接层)网络作为现有的图像大分类公开数据集的分类模型进行分类(如ImageNet等)，即当前八层网络对于其它大分类数据集效果满足要求时，直接把这八层网络的参数迁移到色情图像检测的网络上(同时采用前述获得的彩色色情图像数据集作为输入)进行参数微调。(注意：在其它网络上训练得到的前八层参数不固定，所有参数都参与微调)。
2)当网络损失函数收敛时，将训练得到的模型在验证集上进行测试，对于检测错误的结果进行分析，根据错误的图像的类型在辅助训练集中找到一些对应类型的图像添加到训练集中，对网络继续进行训练。
3)重复2)，直至网络损失函数收敛或在验证集上的检测结果稳定，这时的网络参数即为训练好的具有检测色情图像功能的深层卷积神经网络的参数，可以在测试集上进行测试。
四、对输入图片进行检测
由于训练时网络的输入为227*227，因此检测未知图片时的输入也应为227*227，但直接通过滑动窗口的方法扫描速度过慢，因此本发明设计了一种快速扫描待检测图像的方法。
如图3(b)所示，测试图像的短边缩放为227，长边按原始对应长宽比缩放，用一个227*227的滑动窗口从长边的一侧向另一侧以5个像素为步长提取227*227大小的子图像作为本发明所涉及深层卷积神经网络的输入，如果某一个子图像被判断为色情图像则待测图像就认为是色情图像且滑动窗口停止扫描(即一直扫描检测整幅图像直至某一子图像被判断为色情图像，如果都判断为正常图像，则认为测试图像为正常图像)。
对1000幅测试图像进行检测，准确率达到98.6％以上。

Claims (4)

1.一种基于深层卷积神经网络的网络色情图像检测方法，其特征是：包括以下步骤：
(1)通过人工标定的方法获取色情图像与正常图像，对这些图像进行预处理与增强，获得有效的方形训练图像；
(2)将步骤(1)获得的有效方形训练图像送入深层卷积神经网络中来训练网络；
(3)将步骤(2)得到的网络模型在验证集上进行验证，根据结果调整训练集并继续训练深层卷积神经网络；
(4)重复步骤(3)直至在验证集上的检测准确率达到预期目标或者网络损失函数开始收敛；
(5)将训练好的网络在测试集上进行测试。
2.根据权利要求1所述的基于深层卷积神经网络的网络色情图像检测方法，其特征是：所述的步骤(1)中增强获得有效的方形训练图像对获得的方形图像进行多种变换以增强训练数据的个数，具体方法为：对图像进行转置和水平镜像翻转；在0.5～1.5之间随机选取4个值作为方差对图像进行高斯模糊，再随机选择4个值作为因子乘以所有像素进行亮度变换；进行图像增强，轻微地依次改变原图像R,G,B三个通道的值；并对图片添加随机噪声。
3.根据权利要求1所述的基于深层卷积神经网络的网络色情图像检测方法，其特征是：所述的步骤(2)中深层卷积神经网络共有10层，从左至右分别为5个卷积层、4个全连接层和1个softmax层。
4.根据权利要求1所述的基于深层卷积神经网络的网络色情图像检测方法，其特征是：所述的步骤(2)中训练网络是将5个卷积层和3个全连接层这前八层网络作为现有的图像大分类公开数据集的分类模型进行分类，具体方法为：当前八层网络对于其它大分类数据集效果满足要求时，直接把这八层网络的参数迁移到色情图像检测的网络上进行参数微调。
CN201510325833.XA 2015-06-12 2015-06-12 基于深层卷积神经网络的网络色情图像检测方法 Pending CN104992177A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510325833.XA CN104992177A (zh) 2015-06-12 2015-06-12 基于深层卷积神经网络的网络色情图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510325833.XA CN104992177A (zh) 2015-06-12 2015-06-12 基于深层卷积神经网络的网络色情图像检测方法

Publications (1)

Publication Number Publication Date
CN104992177A true CN104992177A (zh) 2015-10-21

Family

ID=54303990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510325833.XA Pending CN104992177A (zh) 2015-06-12 2015-06-12 基于深层卷积神经网络的网络色情图像检测方法

Country Status (1)

Country Link
CN (1) CN104992177A (zh)

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106383832A (zh) * 2016-08-26 2017-02-08 用友网络科技股份有限公司 一种数据挖掘训练模型的生成方法
CN106446932A (zh) * 2016-08-30 2017-02-22 上海交通大学 基于机器学习与图片识别的可进化违禁图片批量处理方法
CN106529564A (zh) * 2016-09-26 2017-03-22 浙江工业大学 一种基于卷积神经网络的食物图像自动分类方法
CN106778820A (zh) * 2016-11-25 2017-05-31 北京小米移动软件有限公司 识别模型确定方法及装置
CN106803090A (zh) * 2016-12-05 2017-06-06 中国银联股份有限公司 一种图像识别方法和装置
CN106815596A (zh) * 2016-12-08 2017-06-09 中国银联股份有限公司 一种图像分类器建立方法及装置
CN106910187A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种用于桥梁裂缝检测的图像数据集人工扩增方法
CN106951848A (zh) * 2017-03-13 2017-07-14 平安科技（深圳）有限公司 图片识别的方法及系统
CN107016356A (zh) * 2017-03-21 2017-08-04 乐蜜科技有限公司 特定内容识别方法、装置和电子设备
CN107122698A (zh) * 2016-07-19 2017-09-01 安徽大学 一种基于卷积神经网络的电影院实时上座率统计方法
CN107122806A (zh) * 2017-05-16 2017-09-01 北京京东尚科信息技术有限公司 一种敏感图像识别方法及装置
CN107229946A (zh) * 2017-05-11 2017-10-03 宸盛科华（北京）科技有限公司 基于人工神经网络的色情图片检测方法及装置
CN107368671A (zh) * 2017-06-07 2017-11-21 万香波 基于大数据深度学习的良性胃炎病理诊断支持系统和方法
CN107368670A (zh) * 2017-06-07 2017-11-21 万香波 基于大数据深度学习的胃癌病理诊断支持系统和方法
CN107369151A (zh) * 2017-06-07 2017-11-21 万香波 基于大数据深度学习的胃肠间质瘤病理诊断支持系统和方法
CN107403200A (zh) * 2017-08-10 2017-11-28 北京亚鸿世纪科技发展有限公司 改进图像分割算法结合深度学习的多重不良图片分类方法
CN107491790A (zh) * 2017-08-25 2017-12-19 北京图森未来科技有限公司 一种神经网络训练方法及装置
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法
CN107742095A (zh) * 2017-09-23 2018-02-27 天津大学 基于卷积神经网络的汉语手语识别方法
CN107871314A (zh) * 2016-09-23 2018-04-03 商汤集团有限公司 一种敏感图像鉴别方法和装置
CN108154134A (zh) * 2018-01-11 2018-06-12 天格科技（杭州）有限公司 基于深度卷积神经网络的互联网直播色情图像检测方法
CN108364017A (zh) * 2018-01-24 2018-08-03 华讯方舟科技有限公司 一种图像质量分类方法、系统及终端设备
CN108509991A (zh) * 2018-03-29 2018-09-07 青岛全维医疗科技有限公司 基于卷积神经网络的肝部病理图像分类方法
CN109003659A (zh) * 2017-06-07 2018-12-14 万香波 胃幽门螺旋杆菌感染病理诊断支持系统和方法
CN109447155A (zh) * 2018-10-29 2019-03-08 国家电网有限公司 一种人脸表情识别模型训练方法、装置及设备
CN109902617A (zh) * 2019-02-25 2019-06-18 百度在线网络技术（北京）有限公司 一种图片识别方法、装置、计算机设备和介质
CN110020258A (zh) * 2017-12-30 2019-07-16 惠州学院 一种基于近似图的url路径识别有害图片的方法及系统
CN110197115A (zh) * 2019-04-09 2019-09-03 广州中科凯泽科技有限公司 一种农贸产品种类的图像识别方法
CN110334233A (zh) * 2019-07-12 2019-10-15 福建省趋普物联科技有限公司 基于深度卷积神经网络模型的广告图像分类方法
CN110377781A (zh) * 2019-06-06 2019-10-25 福建讯网网络科技股份有限公司 一种应用鞋底搜索匹配的改进算法
CN110647916A (zh) * 2019-08-23 2020-01-03 苏宁云计算有限公司 基于卷积神经网络的色情图片识别方法及装置
US10586129B2 (en) 2018-02-21 2020-03-10 International Business Machines Corporation Generating artificial images for use in neural networks
WO2020082732A1 (zh) * 2018-10-26 2020-04-30 平安科技（深圳）有限公司 图片自动分类方法、装置及计算机可读存储介质
CN111199233A (zh) * 2019-12-30 2020-05-26 四川大学 一种改进的深度学习色情图像识别方法
CN112651413A (zh) * 2019-10-10 2021-04-13 百度在线网络技术（北京）有限公司 低俗图的集成学习分类方法、装置、设备及存储介质
CN113343838A (zh) * 2021-06-03 2021-09-03 安徽大学 一种基于cnn神经网络的智能垃圾识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050002572A1 (en) * 2003-07-03 2005-01-06 General Electric Company Methods and systems for detecting objects of interest in spatio-temporal signals
CN104282028A (zh) * 2014-10-30 2015-01-14 电子科技大学 一种频谱和倒谱信息融合的模糊图像检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050002572A1 (en) * 2003-07-03 2005-01-06 General Electric Company Methods and systems for detecting objects of interest in spatio-temporal signals
CN104282028A (zh) * 2014-10-30 2015-01-14 电子科技大学 一种频谱和倒谱信息融合的模糊图像检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALEX KRIZHEVSKY 等: "ImageNet Classification with Deep Convolutional Neural Networks", 《CONFERENCE AND WORKSHOP ON NEURAL INFORMATION PROCESSING SYSTEMS》 *
ANDREW G.HOWARD: "Some Improvements on Deep Convolutional Neural Network Based Image Classification", 《COMPUTER SCIENCE》 *
戴文渊: "基于实例和特征的迁移学习算法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122698A (zh) * 2016-07-19 2017-09-01 安徽大学 一种基于卷积神经网络的电影院实时上座率统计方法
CN106383832A (zh) * 2016-08-26 2017-02-08 用友网络科技股份有限公司 一种数据挖掘训练模型的生成方法
CN106446932A (zh) * 2016-08-30 2017-02-22 上海交通大学 基于机器学习与图片识别的可进化违禁图片批量处理方法
CN107871314A (zh) * 2016-09-23 2018-04-03 商汤集团有限公司 一种敏感图像鉴别方法和装置
CN106529564A (zh) * 2016-09-26 2017-03-22 浙江工业大学 一种基于卷积神经网络的食物图像自动分类方法
CN106529564B (zh) * 2016-09-26 2019-05-31 浙江工业大学 一种基于卷积神经网络的食物图像自动分类方法
CN106778820A (zh) * 2016-11-25 2017-05-31 北京小米移动软件有限公司 识别模型确定方法及装置
CN106778820B (zh) * 2016-11-25 2020-06-19 北京小米移动软件有限公司 识别模型确定方法及装置
CN106803090A (zh) * 2016-12-05 2017-06-06 中国银联股份有限公司 一种图像识别方法和装置
CN106815596A (zh) * 2016-12-08 2017-06-09 中国银联股份有限公司 一种图像分类器建立方法及装置
CN106910187B (zh) * 2017-01-13 2020-01-07 陕西师范大学 一种用于桥梁裂缝检测定位的图像数据集人工扩增方法
CN106910187A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种用于桥梁裂缝检测的图像数据集人工扩增方法
CN106951848A (zh) * 2017-03-13 2017-07-14 平安科技（深圳）有限公司 图片识别的方法及系统
CN106951848B (zh) * 2017-03-13 2018-12-28 平安科技（深圳）有限公司 图片识别的方法及系统
CN107016356A (zh) * 2017-03-21 2017-08-04 乐蜜科技有限公司 特定内容识别方法、装置和电子设备
CN107229946A (zh) * 2017-05-11 2017-10-03 宸盛科华（北京）科技有限公司 基于人工神经网络的色情图片检测方法及装置
CN107122806B (zh) * 2017-05-16 2019-12-31 北京京东尚科信息技术有限公司 一种敏感图像识别方法及装置
CN107122806A (zh) * 2017-05-16 2017-09-01 北京京东尚科信息技术有限公司 一种敏感图像识别方法及装置
CN109003659A (zh) * 2017-06-07 2018-12-14 万香波 胃幽门螺旋杆菌感染病理诊断支持系统和方法
CN107368671A (zh) * 2017-06-07 2017-11-21 万香波 基于大数据深度学习的良性胃炎病理诊断支持系统和方法
CN107369151A (zh) * 2017-06-07 2017-11-21 万香波 基于大数据深度学习的胃肠间质瘤病理诊断支持系统和方法
CN107368670A (zh) * 2017-06-07 2017-11-21 万香波 基于大数据深度学习的胃癌病理诊断支持系统和方法
CN107403200A (zh) * 2017-08-10 2017-11-28 北京亚鸿世纪科技发展有限公司 改进图像分割算法结合深度学习的多重不良图片分类方法
CN107491790A (zh) * 2017-08-25 2017-12-19 北京图森未来科技有限公司 一种神经网络训练方法及装置
CN107742095A (zh) * 2017-09-23 2018-02-27 天津大学 基于卷积神经网络的汉语手语识别方法
CN107609601A (zh) * 2017-09-28 2018-01-19 北京计算机技术及应用研究所 一种基于多层卷积神经网络的舰船目标识别方法
CN110020258A (zh) * 2017-12-30 2019-07-16 惠州学院 一种基于近似图的url路径识别有害图片的方法及系统
CN108154134B (zh) * 2018-01-11 2019-07-23 天格科技（杭州）有限公司 基于深度卷积神经网络的互联网直播色情图像检测方法
CN108154134A (zh) * 2018-01-11 2018-06-12 天格科技（杭州）有限公司 基于深度卷积神经网络的互联网直播色情图像检测方法
CN108364017A (zh) * 2018-01-24 2018-08-03 华讯方舟科技有限公司 一种图像质量分类方法、系统及终端设备
WO2019144469A1 (zh) * 2018-01-24 2019-08-01 华讯方舟科技有限公司 一种图像质量分类方法、系统及终端设备
US10586129B2 (en) 2018-02-21 2020-03-10 International Business Machines Corporation Generating artificial images for use in neural networks
CN108509991A (zh) * 2018-03-29 2018-09-07 青岛全维医疗科技有限公司 基于卷积神经网络的肝部病理图像分类方法
WO2020082732A1 (zh) * 2018-10-26 2020-04-30 平安科技（深圳）有限公司 图片自动分类方法、装置及计算机可读存储介质
CN109447155A (zh) * 2018-10-29 2019-03-08 国家电网有限公司 一种人脸表情识别模型训练方法、装置及设备
CN109902617A (zh) * 2019-02-25 2019-06-18 百度在线网络技术（北京）有限公司 一种图片识别方法、装置、计算机设备和介质
CN109902617B (zh) * 2019-02-25 2022-04-12 百度在线网络技术（北京）有限公司 一种图片识别方法、装置、计算机设备和介质
CN110197115A (zh) * 2019-04-09 2019-09-03 广州中科凯泽科技有限公司 一种农贸产品种类的图像识别方法
CN110377781A (zh) * 2019-06-06 2019-10-25 福建讯网网络科技股份有限公司 一种应用鞋底搜索匹配的改进算法
CN110334233A (zh) * 2019-07-12 2019-10-15 福建省趋普物联科技有限公司 基于深度卷积神经网络模型的广告图像分类方法
CN110647916A (zh) * 2019-08-23 2020-01-03 苏宁云计算有限公司 基于卷积神经网络的色情图片识别方法及装置
CN110647916B (zh) * 2019-08-23 2022-10-28 苏宁云计算有限公司 基于卷积神经网络的色情图片识别方法及装置
CN112651413A (zh) * 2019-10-10 2021-04-13 百度在线网络技术（北京）有限公司 低俗图的集成学习分类方法、装置、设备及存储介质
CN112651413B (zh) * 2019-10-10 2023-10-17 百度在线网络技术（北京）有限公司 低俗图的集成学习分类方法、装置、设备及存储介质
CN111199233B (zh) * 2019-12-30 2020-11-20 四川大学 一种改进的深度学习色情图像识别方法
CN111199233A (zh) * 2019-12-30 2020-05-26 四川大学 一种改进的深度学习色情图像识别方法
CN113343838A (zh) * 2021-06-03 2021-09-03 安徽大学 一种基于cnn神经网络的智能垃圾识别方法及装置

Similar Documents

Publication Publication Date Title
CN104992177A (zh) 基于深层卷积神经网络的网络色情图像检测方法
Yang et al. Metaanchor: Learning to detect objects with customized anchors
Zhao et al. Cloud shape classification system based on multi-channel cnn and improved fdm
CN110363182B (zh) 基于深度学习的车道线检测方法
CN106127204B (zh) 一种全卷积神经网络的多方向水表读数区域检测算法
CN106503742B (zh) 一种可见光图像绝缘子识别方法
CN104077613B (zh) 一种基于级联多级卷积神经网络的人群密度估计方法
CN108009509A (zh) 车辆目标检测方法
CN109284669A (zh) 基于Mask RCNN的行人检测方法
CN102184419B (zh) 基于敏感部位检测的色情图像识别方法
CN109344701A (zh) 一种基于Kinect的动态手势识别方法
CN106504233A (zh) 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
CN104504362A (zh) 基于卷积神经网络的人脸检测方法
CN108960404B (zh) 一种基于图像的人群计数方法及设备
CN110399884A (zh) 一种特征融合自适应锚框模型车辆检测方法
CN114758288B (zh) 一种配电网工程安全管控检测方法及装置
CN111160249A (zh) 基于跨尺度特征融合的光学遥感图像多类目标检测方法
CN109684922A (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN109766936A (zh) 基于信息传递和注意力机制的图像变化检测方法
CN110263845A (zh) 基于半监督对抗深度网络的sar图像变化检测方法
CN105389556A (zh) 一种顾及阴影区域的高分辨率遥感影像车辆检测方法
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN107092884A (zh) 一种快速粗精级联行人检测方法
CN110008899B (zh) 一种可见光遥感图像候选目标提取与分类方法
CN113205107A (zh) 一种基于改进高效率网络的车型识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20151021

RJ01 Rejection of invention patent application after publication