CN107665333A - 一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质 - Google Patents
一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107665333A CN107665333A CN201710752783.2A CN201710752783A CN107665333A CN 107665333 A CN107665333 A CN 107665333A CN 201710752783 A CN201710752783 A CN 201710752783A CN 107665333 A CN107665333 A CN 107665333A
- Authority
- CN
- China
- Prior art keywords
- image data
- measured
- confidence level
- default
- convolutional neural
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Abstract
本发明实施例公开了一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质,其中所述方法包括:对获取的待测图片数据进行预处理;将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度;根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度;判断所述图片置信度是否大于预设置信度;若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据。本发明可以自动分析输入的待测图片并对图片进行分类鉴别,大大提高了鉴黄的准确率,降低了鉴黄的成本。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质。
背景技术
随着网络数据的爆炸性增长和人们越来越大的个性化需求,人们每天通过网络能够获取海量数据,在丰富精神生活的同时,也因此暴露在海量信息面前,更易接触到各类色情信息,必须对信息进行过滤再展示到受众特别是儿童面前,因此鉴黄一直是信息过滤中极其重要的一环。传统的人工鉴黄对从业者有很高的要求,鉴黄师承受着巨大的心理和生理的双重压力,企业人工成本过高,审核效率低下,不能适用于需要大规模审核的场景。目前卷积神经网络这样的深度学习算法被广泛应用于图片识别中,并在降低网络模型复杂度、提升图片数据处理能力等方面取得了显著的成效,但是现有通过卷积神经网络进行图片识别得到的结果还是存在一定程度的误差。
发明内容
本发明实施例提供一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质,可以自动分析输入图片并对图片进行分类鉴别,大大提高了鉴黄的准确率,降低了鉴黄的成本。
一方面,本发明实施例提供了一种基于卷积神经网络的不雅图片识别方法,该方法包括:
对获取的待测图片数据进行预处理;
将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度;
根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度,其中,所述预设的线性加权比包括多个比值,所述比值的数量与所述卷积神经网络的数量相同,且每个比值均对应一不同的卷积神经网络;
判断所述图片置信度是否大于预设置信度;
若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据。
进一步地,所述方法还包括:
将预设的图片数据分为训练集以及验证集;
利用所述训练集对多个不同的卷积神经网络进行训练,以得到多个对应的中间模型;
利用所述验证集对所有的中间模型进行验证,以得到多个对应的错误集,其中每个错误集均包括至少一个错误样本;
若其中一错误集中错误样本的数量大于或等于预设阀值,利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型;
利用所述验证集对所述新的中间模型再次进行验证,直至所述错误集中错误样本的数量小于预设阀值,并判定此时的新的中间模型为对应的预设检测模型。
进一步地,所述对获取的待测图片数据进行预处理,包括:
对获取的待测图片数据进行特征强化;
根据预设规则将特征强化后的待测图片数据进行划分以得到一个或多个子图片;
其中,将所有子图片输入每个检测模型,以使每个检测模型对应地得到一个或多个子置信度,并判定每个检测模型对应的最大的子置信度为该检测模型对应的置信度。
进一步地,所述对获取的待测图片数据进行特征强化,包括:
将获取的待测图片数据以及所有预设图片数据调整为256*256的RGB图片;
计算被调整为RGB图片后的所有预设图片数据的像素平均值;
将被调整为RGB图片的待测图片数据的像素减去所述像素平均值以得到特征强化后的待测图片数据。
进一步地,卷积神经网络的数量为两个,包括一个具有八层结构的第一卷积神经网络以及一个具有二十二层结构的第二卷积神经网络,其中所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个概率统计层。
另一方面,本发明实施例还提供了一种基于卷积神经网络的不雅图片识别终端,该终端包括:
预处理单元,用于对获取的待测图片数据进行预处理;
检测单元,用于将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度;
置信度计算单元,用于根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度,其中,所述预设的线性加权比包括多个比值,所述比值的数量与所述卷积神经网络的数量相同,且每个比值均对应一不同的卷积神经网络;
判断单元,用于判断所述图片置信度是否大于预设置信度;
判定单元,用于若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据。
进一步地,所述终端还包括:
分类单元,用于将预设的图片数据分为训练集以及验证集;
第一训练单元,用于利用所述训练集对多个不同的卷积神经网络进行训练,以得到多个对应的中间模型;
验证单元,用于利用所述验证集对所有的中间模型进行验证,以得到多个对应的错误集,其中每个错误集均包括至少一个错误样本;
第二训练单元,用于若其中一错误集中错误样本的数量大于或等于预设阀值,利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型;
其中,所述验证单元还用于利用所述验证集对所述新的中间模型再次进行验证,直至所述错误集中错误样本的数量小于预设阀值,并判定此时的新的中间模型为对应的预设检测模型。
进一步地,所述预处理单元,包括:
强化单元,用于对获取的待测图片数据进行特征强化;
划分单元,用于根据预设规则将特征强化后的待测图片数据进行划分以得到一个或多个子图片;
其中,所述检测单元还用于将所有子图片输入每个检测模型,以使每个检测模型对应地得到一个或多个子置信度,并判定每个检测模型对应的最大的子置信度为该检测模型对应的置信度。
又一方面,本发明实施例还提供了一种基于卷积神经网络的不雅图片识别设备,该设备包括:
存储器,用于存储实现不雅图片识别的程序;以及
处理器,用于运行所述存储器中存储的实现不雅图片识别的程序,以执行以上所述方法。
再一方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行,以实现以上所述方法。
综上所述,本发明具有以下有益效果:本发明实施例通过对获取的待测图片数据进行预处理;将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度;根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度;若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据,自动分析输入的待测图片并对图片进行分类鉴别,大大提高了鉴黄的准确率,降低了鉴黄的成本;另外,对卷积神经网络的多次训练和验证,可以进一步减少误差并提高得到的检测模型的识别精准度。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于卷积神经网络的不雅图片识别方法的示意流程图。
图2是本发明实施例提供的一种基于卷积神经网络的不雅图片识别方法的另一示意流程图。
图3是本发明实施例提供的一种基于卷积神经网络的不雅图片识别方法的另一示意流程图。
图4是本发明实施例提供的一种基于卷积神经网络的不雅图片识别方法的另一示意流程图。
图5是本发明另一实施例提供的一种基于卷积神经网络的不雅图片识别方法的示意流程图。
图6是本发明实施例提供的一种基于卷积神经网络的不雅图片识别终端的示意性框图。
图7是本发明实施例提供的一种基于卷积神经网络的不雅图片识别终端的另一示意性框图。
图8是本发明实施例提供的一种基于卷积神经网络的不雅图片识别终端的另一示意性框图。
图9是本发明实施例提供的一种基于卷积神经网络的不雅图片识别终端的另一示意性框图。
图10是本发明实施例提供的一种基于卷积神经网络的不雅图片识别设备的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
请参阅图1,图1是本发明实施例提供的一种基于卷积神经网络的不雅图片识别方法的示意流程图。该方法可以运行在智能手机(如Android手机、IOS手机等)、平板电脑、笔记本电脑以及智能设备等终端中。本发明的方法可以自动分析输入的待测图片并对图片进行分类鉴别,大大提高了鉴黄的准确率,降低了鉴黄的成本。如图1所示,该方法包括步骤S101~S105。
S101,对获取的待测图片数据进行预处理。
在本发明实施例中,待测图片数据可以是常规的图片,也可以是从视频数据中提取视频关键帧从而得到的图片。为了提高分类检测的准确性,需要对待测图片数据进行相应的处理。
具体地,如图2所示,步骤S101包括步骤S201~S202。
S201,对获取的待测图片数据进行特征强化。
在本发明实施例中,为了便于进行特征识别,可以先对获取的待测图片数据进行特征强化。具体地,如图3所示,步骤S201包括步骤S301~S303。
S301,将获取的待测图片数据以及所有预设图片数据调整为256*256的 RGB图片。
在本发明实施例中,可以将所有预设图片数据调整为256*256的RGB图片,同样的,在利用检测模型进行检测时,所用到的图片也必须是相同格式的RGB 图片。也就是需要将获取的待测图片数据也调整为256*256的RGB图片。
S302,计算被调整为RGB图片后的所有预设图片数据的像素平均值。
在本发明实施例中,为了使得待测图片数据的特征更为凸显,以提高分类检测结果的准确率,需要计算被调整为RGB图片后的所有预设图片数据的像素平均值,即得到一个所谓的平均图。
S303,将被调整为RGB图片的待测图片数据的像素减去所述像素平均值以得到特征强化后的待测图片数据。
在本发明实施例中,通过减去像素平均值,可以得到与被调整为RGB图片后的待测图片数据对应的特征强化后的待测图片数据。
S202,根据预设规则将特征强化后的待测图片数据进行划分以得到一个或多个子图片。
其中,将所有子图片输入每个检测模型,以使每个检测模型对应地得到一个或多个子置信度,并判定每个检测模型对应的最大的子置信度为该检测模型对应的置信度。
在本实施例中,可以将特征强化后的待测图片数据划分为一个或多个 224*224的子图片,当然,也可以根据实际情况划分为一个或多个的其他尺寸的子图片,以便于更好地提取特征,减少不相干特征的干扰。同理,在训练卷积神经网络的过程中,所有预设图片数据也对应地进行相应地处理,从而增加训练的图片数据的数量,并进一步提高之后的检测模型的精准度。
又由于一个或多个子图片输入每个检测模型后,会对应地的到一个或多个子置信度,故需要确定一个或多个子置信度中的最大值,从而将这个最大值确定为该检测模型对应的置信度。
S102,将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度。
在本发明实施例中,将预处理后的待测图片数据输入每一个预设检测模型,以使得每个预设检测模型都能够得出一个置信度。
S103,根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度,其中,所述预设的线性加权比包括多个比值,所述比值的数量与所述卷积神经网络的数量相同,且每个比值均对应一不同的卷积神经网络。
在本发明实施例中,所述预设的线性加权比可以通过对相关算法进行训练得到,也可以根据重复实验的方法获取最佳的线性加权比。例如,可以通过综合分析多张不雅图片在各个检测模型中得到的置信度,然后确认一个最佳的线性加权比。一般情况下,当有两个检测模型的时候,可以选择线性加权比为1:1,也即通过两个检测模型的两个置信度各占一半,从而得到最终的图片置信度。
S104,判断所述图片置信度是否大于预设置信度。
在本发明实施例中,图片置信度如果不大于预设置信度,那么可知,该待测图片数据为正常图片数据。所述预设置信度可以根据实际情况进行相应的设定。比如,当预设置信度为0.8时,如果所述图片置信度小于或等于0.8,那么该待测图片数据为正常图片数据。
S105,若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据。
在本发明实施例中,当所述图片置信度大于预设置信度时,可以知道这个待测图片数据为不雅图片数据。具体可以参见,当预设置信度为0.8时,如果所述图片置信度大于0.8,那么该待测图片数据为不雅图片数据。
由以上可见,本发明实施例通过对获取的待测图片数据进行预处理;将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度;根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度;若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据,可以自动分析输入图像并对图像进行分类鉴别,大大提高了鉴黄的准确率,降低了鉴黄的成本;另外,对卷积神经网络的多次训练和验证,可以进一步减少误差并提高得到的检测模型的识别精准度。
如图4所示,作为优选的实施例,本发明实施例所述的基于卷积神经网络的不雅图片识别方法中的步骤S101之前还包括利用预设的图片数据分别训练多个不同的卷积神经网络以得到多个对应的检测模型,即具体包括如下步骤 S401~S405:
S401,将预设的图片数据分为训练集以及验证集。
在本发明实施例中,预设的图片数据可以包括预设分类的不雅图片数据和正常图片数据,可由人工进行分类筛选,将这两类数据作为两个场景,作为输入数据提供给卷积神经网络进行学习分类,从而得到可以判断图片是否为不雅图片的检测模型。训练集中包括若干正常图片以及不雅图片,验证集也包括若干正常图片以及不雅图片。其中训练集用于对卷积神经网络进行常规训练,而验证集用于对训练后的卷积神经网络得到的模型进行相应的分类检测,为了提高识别的准确度,需要对训练集和验证集先进行相应的预处理,比如特征强化等,然后才能输入卷积神经网络进行训练。
S402,利用所述训练集对多个不同的卷积神经网络进行训练,以得到多个对应的中间模型。
在本发明实施例中,卷积神经网络(Convolutional Neural Network,CNN) 是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。不同的卷积神经网络包括不同的分层结构。
通过训练集可以分别对多个不同的卷积神经网络进行训练,即将训练集中的图片以及与该图片对应的分类输入多个不同的卷积神经网络进行训练,可以得到多个对应的中间模型。
S403,利用所述验证集对所有的中间模型进行验证,以得到多个对应的错误集,其中每个错误集均包括至少一个错误样本。
在本发明实施例中,将验证集中的图片输入中间模型中进行分类检测以得到分类检测结果,当分类检测结果与该图片的预设分类不一致时,将该图片认定为一个错误样本。具体可以将所有分类检测结果与图片的预分类不一致的图片归类为错误集。综上可知,每个错误集均可以包括至少一个错误样本。
S404,若其中一错误集中错误样本的数量大于或等于预设阀值,利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型。
在本发明实施例中,如果其中一个错误集中错误样本的数量大于或等于预设阈值,则表明此时分类检测的结果的错误率在不可接受的范围内,此时需要利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型,从而进一步提高中间模型的分类检测的准确度。
S405,利用所述验证集对所述新的中间模型再次进行验证,直至所述错误集中错误样本的数量小于预设阀值,并判定此时的新的中间模型为对应的预设检测模型。
在本发明实施例中,得到新的中间模型后,需要再利用验证集再次进行验证以得到新的分类检测结果,同时判断此时的错误集中的错误样本的数量是否小于预设阀值,当错误集中的错误样本的数量小于预设阀值,那么则可以判定此时的新的中间模型为对应的预设检测模型。而如果错误集中的错误样本的数量大于预或等于预设阀值,那么则可以返回步骤S404。
另外,作为优选的另一实施例,卷积神经网络的数量可以为两个,包括一个具有八层结构的第一卷积神经网络以及一个具有二十二层结构的第二卷积神经网络,其中所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个概率统计层。其中第一卷积神经网络中的每层卷积层可以通过卷积核将输入的图片数据过滤为二维向量,在训练阶段对其参数进行单独计算,而全连接层将输入和带权重的向量进行点乘,因此后一层的神经元与前一层的神经元全部连接起来,所有神经元都通过激活函数进行学习加速,而概率统计层用于进行不雅图片与正常图片的判断。而第二卷积神经网路比第一卷积神经网络层数更深,采用由两层卷积层构成的Inception结构来加宽网络,且这一结构多次重复,再经过与第一卷积神经网络相似的步骤输出能够分类的检测结果。
具体请参阅图5,图5是本发明另一实施例提供的一种基于卷积神经网络的不雅图片识别方法的示意流程图。该方法可以运行在智能手机(如Android手机、 IOS手机等)、平板电脑、笔记本电脑以及智能设备等终端中。该方法主要是分析输入图片数据并对图片进行分类鉴别,大大提高了鉴黄的准确率,降低了鉴黄的成本。如图5所示,该方法的步骤S501~S506。
S501,利用预设的图片数据分别训练第一卷积神经网络和第二卷积神经网络,以得到对应的第一检测模型和第二检测模型。
S502,对获取的待测图片数据进行预处理。
S503,将预处理后的待测图片数据分别输入第一检测模型和第二检测模型,以对应地得到第一置信度和第二置信度。
S504,根据预设的线性加权比对第一置信度和第二置信度进行计算以得到一图片置信度,其中,所述预设的线性加权比包括两个比值,所述比值的数量与所述卷积神经网络的数量相同,且每个比值均对应一不同的卷积神经网络。
S505,判断所述图片置信度是否大于预设置信度。当所述图片置信度不大于预设置信度时,可以判定所述待测图片数据为正常图片数据。
S506,若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据。
本领域普通技术员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
请参阅图6,对应上述一种基于卷积神经网络的不雅图片识别方法,本发明实施例还提出一种基于卷积神经网络的不雅图片识别终端,该终端100包括:预处理单元101、检测单元102、置信度计算单元103、判断单元104、判定单元105。
其中,所述预处理单元101用于对获取的待测图片数据进行预处理。
所述检测单元102用于将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度。
所述置信度计算单元103用于根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度,其中,所述预设的线性加权比包括多个比值,所述比值的数量与所述卷积神经网络的数量相同,且每个比值均对应一不同的卷积神经网络。
所述判断单元104用于判断所述图片置信度是否大于预设置信度。
所述判定单元105用于若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据。
如图7所示,所述所述终端100还包括分类单元100a、第一训练单元100b、验证单元100c以及第二训练单元100d。
其中,所述分类单元100a用于将预设的图片数据分为训练集以及验证集。
所述第一训练单元100b用于利用所述训练集对多个不同的卷积神经网络进行训练,以得到多个对应的中间模型。
所述验证单元100c用于利用所述验证集对所有的中间模型进行验证,以得到多个对应的错误集,其中每个错误集均包括至少一个错误样本。
所述第二训练单元100d用于若其中一错误集中错误样本的数量大于或等于预设阀值,利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型。
其中,所述验证单元100c还用于利用所述验证集对所述新的中间模型再次进行验证,直至所述错误集中错误样本的数量小于预设阀值,并判定此时的新的中间模型为对应的预设检测模型。
如图8所示,所述预处理单元101,包括强化单元1011以及划分单元1012。
其中,所述强化单元1011用于对获取的待测图片数据进行特征强化。
所述划分单元1012用于根据预设规则将特征强化后的待测图片数据进行划分以得到一个或多个子图片。
其中,所述检测单元102还用于将所有子图片输入每个检测模型,以使每个检测模型对应地得到一个或多个子置信度,并判定每个检测模型对应的最大的子置信度为该检测模型对应的置信度。
如图9所示,所述强化单元1011包括调整单元1011a、平均值计算单元1011b 以及目标计算单元1011c。
其中,所述调整单元1011a用于将获取的待测图片数据以及所有预设图片数据调整为256*256的RGB图片。
所述平均值计算单元1011b用于计算被调整为RGB图片后的所有预设图片数据的像素平均值。
所述目标计算单元1011c用于将被调整为RGB图片的待测图片数据的像素减去所述像素平均值以得到特征强化后的待测图片数据。
图10为本发明一种基于卷积神经网络的不雅图片识别设备的结构组成示意图。如图10所示,该设备200可包括:输入装置201、输出装置202、收发装置203、存储器204以及处理器205,其中:
所述输入装置201,用于接收外部访问控制设备的输入数据。具体实现中,本发明实施例所述的输入装置201可包括键盘、鼠标、光电输入装置、声音输入装置、触摸式输入装置、扫描仪等。
所述输出装置202,用于对外输出访问控制设备的输出数据。具体实现中,本发明实施例所述的输出装置202可包括显示器、扬声器、打印机等。
所述收发装置203,用于通过通信链路向其他设备发送数据或者从其他设备接收数据。具体实现中,本发明实施例的收发装置203可包括射频天线等收发器件。
所述存储器204,用于存储实现不雅图片识别的程序。本发明实施例的存储器204可以是系统存储器,比如,挥发性的(诸如RAM),非易失性的(诸如 ROM,闪存等),或者两者的结合。具体实现中,本发明实施例的存储器204 还可以是系统之外的外部存储器,比如,磁盘、光盘、磁带等。
所述处理器205,用于运行所述存储器204中存储的实现不雅图片识别的程序,以执行如下操作:
对获取的待测图片数据进行预处理;
将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度;
根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度,其中,所述预设的线性加权比包括多个比值,所述比值的数量与所述卷积神经网络的数量相同,且每个比值均对应一不同的卷积神经网络;
判断所述图片置信度是否大于预设置信度;
若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据。
进一步地,还用于执行如下操作:
将预设的图片数据分为训练集以及验证集;
利用所述训练集对多个不同的卷积神经网络进行训练,以得到多个对应的中间模型;
利用所述验证集对所有的中间模型进行验证,以得到多个对应的错误集,其中每个错误集均包括至少一个错误样本;
若其中一错误集中错误样本的数量大于或等于预设阀值,利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型;
利用所述验证集对所述新的中间模型再次进行验证,直至所述错误集中错误样本的数量小于预设阀值,并判定此时的新的中间模型为对应的预设检测模型。
进一步地,所述对获取的待测图片数据进行预处理,包括:
对获取的待测图片数据进行特征强化;
根据预设规则将特征强化后的待测图片数据进行划分以得到一个或多个子图片;
其中,将所有子图片输入每个检测模型,以使每个检测模型对应地得到一个或多个子置信度,并判定每个检测模型对应的最大的子置信度为该检测模型对应的置信度。
进一步地,所述对获取的待测图片数据进行特征强化,包括:
将获取的待测图片数据以及所有预设图片数据调整为256*256的RGB图片;
计算被调整为RGB图片后的所有预设图片数据的像素平均值;
将被调整为RGB图片的待测图片数据的像素减去所述像素平均值以得到特征强化后的待测图片数据。
进一步地,卷积神经网络的数量为两个,包括一个具有八层结构的第一卷积神经网络以及一个具有二十二层结构的第二卷积神经网络,其中所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个概率统计层。
本领域技术人员可以理解,图10中示出的基于卷积神经网络的不雅图片识别的设备的实施例并不构成对基于卷积神经网络的不雅图片识别的设备具体构成的限定,在其他实施例中,基于卷积神经网络的不雅图片识别的设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,基于卷积神经网络的不雅图片识别的设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图10所示实施例一致,在此不再赘述。
本发明提供了一种计算机可读存储介质,计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行,以实现以下步骤:
对获取的待测图片数据进行预处理;
将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度;
根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度,其中,所述预设的线性加权比包括多个比值,所述比值的数量与所述卷积神经网络的数量相同,且每个比值均对应一不同的卷积神经网络;
判断所述图片置信度是否大于预设置信度;
若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据。
进一步地,还实现如下步骤:
将预设的图片数据分为训练集以及验证集;
利用所述训练集对多个不同的卷积神经网络进行训练,以得到多个对应的中间模型;
利用所述验证集对所有的中间模型进行验证,以得到多个对应的错误集,其中每个错误集均包括至少一个错误样本;
若其中一错误集中错误样本的数量大于或等于预设阀值,利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型;
利用所述验证集对所述新的中间模型再次进行验证,直至所述错误集中错误样本的数量小于预设阀值,并判定此时的新的中间模型为对应的检测模型。
进一步地,所述对获取的待测图片数据进行预处理,包括:
对获取的待测图片数据进行特征强化;
根据预设规则将特征强化后的待测图片数据进行划分以得到一个或多个子图片;
其中,将所有子图片输入每个检测模型,以使每个检测模型对应地得到一个或多个子置信度,并判定每个检测模型对应的最大的子置信度为该检测模型对应的置信度。
进一步地,所述对获取的待测图片数据进行特征强化,包括:
将获取的待测图片数据以及所有预设图片数据调整为256*256的RGB图片;
计算被调整为RGB图片后的所有预设图片数据的像素平均值;
将被调整为RGB图片的待测图片数据的像素减去所述像素平均值以得到特征强化后的待测图片数据。
进一步地,卷积神经网络的数量为两个,包括一个具有八层结构的第一卷积神经网络以及一个具有二十二层结构的第二卷积神经网络,其中所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个概率统计层。
本发明前述的存储介质包括:磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等各种可以存储程序代码的介质。
本发明所有实施例中的单元可以通过通用集成电路,例如CPU(CentralProcessing Unit,中央处理器),或通过ASIC(Application Specific IntegratedCircuit,专用集成电路)来实现。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例终端中的单元可以根据实际需要进行合并、划分和删减。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于卷积神经网络的不雅图片识别方法,其特征在于,所述方法包括:
对获取的待测图片数据进行预处理;
将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度;
根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度,其中,所述预设的线性加权比包括多个比值,所述比值的数量与所述卷积神经网络的数量相同,且每个比值均对应一不同的卷积神经网络;
判断所述图片置信度是否大于预设置信度;
若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据。
2.如权利要求1所述的方法,其特征在于,所述对获取的待测图片数据进行预处理之前,包括:
将预设的图片数据分为训练集以及验证集;
利用所述训练集对多个不同的卷积神经网络进行训练,以得到多个对应的中间模型;
利用所述验证集对所有的中间模型进行验证,以得到多个对应的错误集,其中每个错误集均包括至少一个错误样本;
若其中一错误集中错误样本的数量大于或等于预设阀值,利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型;
利用所述验证集对所述新的中间模型再次进行验证,直至所述错误集中错误样本的数量小于预设阀值,并判定此时的新的中间模型为对应的预设检测模型。
3.如权利要求1所述的方法,其特征在于,所述对获取的待测图片数据进行预处理,包括:
对获取的待测图片数据进行特征强化;
根据预设规则将特征强化后的待测图片数据进行划分以得到一个或多个子图片;
其中,将所有子图片输入每个检测模型,以使每个检测模型对应地得到一个或多个子置信度,并判定每个检测模型对应的最大的子置信度为该检测模型对应的置信度。
4.如权利要求3所述的方法,其特征在于,所述对获取的待测图片数据进行特征强化,包括:
将获取的待测图片数据以及所有预设图片数据调整为256*256的RGB图片;
计算被调整为RGB图片后的所有预设图片数据的像素平均值;
将被调整为RGB图片的待测图片数据的像素减去所述像素平均值以得到特征强化后的待测图片数据。
5.如权利要求1所述的方法,其特征在于,卷积神经网络的数量为两个,包括一个具有八层结构的第一卷积神经网络以及一个具有二十二层结构的第二卷积神经网络,其中所述第一卷积神经网络包括五个卷积层、两个全连接层以及一个概率统计层。
6.一种基于卷积神经网络的不雅图片识别终端,其特征在于,所述终端包括:
预处理单元,用于对获取的待测图片数据进行预处理;
检测单元,用于将预处理后的待测图片数据分别输入多个预设检测模型以对应地得到多个不同的置信度;
置信度计算单元,用于根据预设的线性加权比对所有的置信度进行计算以得到一图片置信度,其中,所述预设的线性加权比包括多个比值,所述比值的数量与所述卷积神经网络的数量相同,且每个比值均对应一不同的卷积神经网络;
判断单元,用于判断所述图片置信度是否大于预设置信度;
判定单元,用于若所述图片置信度大于预设置信度,判定所述待测图片数据为不雅图片数据。
7.如权利要求6所述的终端,其特征在于,所述终端还包括:
分类单元,用于将预设的图片数据分为训练集以及验证集;
第一训练单元,用于利用所述训练集对多个不同的卷积神经网络进行训练,以得到多个对应的中间模型;
验证单元,用于利用所述验证集对所有的中间模型进行验证,以得到多个对应的错误集,其中每个错误集均包括至少一个错误样本;
第二训练单元,用于若其中一错误集中错误样本的数量大于或等于预设阀值,利用所述其中一错误集训练与所述其中一错误集相对应的中间模型以得到一个对应的新的中间模型;
其中,所述验证单元还用于利用所述验证集对所述新的中间模型再次进行验证,直至所述错误集中错误样本的数量小于预设阀值,并判定此时的新的中间模型为对应的预设检测模型。
8.如权利要求6所述的终端,其特征在于,所述预处理单元,包括:
强化单元,用于对获取的待测图片数据进行特征强化;
划分单元,用于根据预设规则将特征强化后的待测图片数据进行划分以得到一个或多个子图片;
其中,所述检测单元还用于将所有子图片输入每个检测模型,以使每个检测模型对应地得到一个或多个子置信度,并判定每个检测模型对应的最大的子置信度为该检测模型对应的置信度。
9.一种基于卷积神经网络的不雅图片识别设备,其特征在于,包括:
存储器,用于存储实现不雅图片识别的程序;以及
处理器,用于运行所述存储器中存储的实现不雅图片识别的程序,以执行如权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行,以实现如权利要求1-5任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710752783.2A CN107665333A (zh) | 2017-08-28 | 2017-08-28 | 一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质 |
PCT/CN2017/102866 WO2019041406A1 (zh) | 2017-08-28 | 2017-09-22 | 不雅图片识别方法、终端、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710752783.2A CN107665333A (zh) | 2017-08-28 | 2017-08-28 | 一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107665333A true CN107665333A (zh) | 2018-02-06 |
Family
ID=61098257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710752783.2A Pending CN107665333A (zh) | 2017-08-28 | 2017-08-28 | 一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107665333A (zh) |
WO (1) | WO2019041406A1 (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491866A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技(深圳)有限公司 | 色情图片鉴定方法、电子装置及可读存储介质 |
CN108564138A (zh) * | 2018-05-08 | 2018-09-21 | 广州优视网络科技有限公司 | 色情应用检测方法、装置、计算机可读存储介质和服务器 |
CN109241951A (zh) * | 2018-10-26 | 2019-01-18 | 北京陌上花科技有限公司 | 色情图片识别方法、识别模型构建方法及识别模型和计算机可读存储介质 |
CN109272016A (zh) * | 2018-08-08 | 2019-01-25 | 广州视源电子科技股份有限公司 | 目标检测方法、装置、终端设备和计算机可读存储介质 |
CN109491970A (zh) * | 2018-10-11 | 2019-03-19 | 平安科技(深圳)有限公司 | 面向云存储的不良图片检测方法、装置及存储介质 |
CN109886865A (zh) * | 2019-01-07 | 2019-06-14 | 平安科技(深圳)有限公司 | 自动屏蔽不良信息的方法、装置、计算机设备以及存储介质 |
CN110136198A (zh) * | 2018-02-09 | 2019-08-16 | 腾讯科技(深圳)有限公司 | 图像处理方法及其装置、设备和存储介质 |
CN110414471A (zh) * | 2019-08-06 | 2019-11-05 | 福建省趋普物联科技有限公司 | 基于双模型的视频识别方法及系统 |
WO2019232859A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN110875875A (zh) * | 2018-09-03 | 2020-03-10 | Oppo广东移动通信有限公司 | 电子红包消息检测方法、检测装置及终端设备 |
CN112529152A (zh) * | 2020-12-03 | 2021-03-19 | 开放智能机器(上海)有限公司 | 一种基于人工智能的西瓜成熟度检测的系统和方法 |
CN113076998A (zh) * | 2021-04-01 | 2021-07-06 | 重庆邮电大学 | 基于kubernetes深度神经网络模型的分布式分类方法 |
WO2023061506A1 (zh) * | 2021-10-15 | 2023-04-20 | 北京极智嘉科技股份有限公司 | 容器识别方法、装置、容器存取设备及存储介质 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084130B (zh) * | 2019-04-03 | 2023-07-25 | 深圳鲲云信息科技有限公司 | 基于多目标跟踪的人脸筛选方法、装置、设备及存储介质 |
CN111652259B (zh) * | 2019-04-16 | 2024-03-08 | 上海铼锶信息技术有限公司 | 一种清洗数据的方法及系统 |
CN110083517B (zh) * | 2019-04-29 | 2023-08-25 | 秒针信息技术有限公司 | 一种用户画像置信度的优化方法及装置 |
CN110232401B (zh) * | 2019-05-05 | 2023-08-04 | 平安科技(深圳)有限公司 | 基于图片转换的病灶判断方法、装置、计算机设备 |
CN110298541B (zh) * | 2019-05-23 | 2024-04-09 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN112182441A (zh) * | 2019-07-02 | 2021-01-05 | 中国移动通信集团贵州有限公司 | 违规数据的检测方法及装置 |
WO2021243724A1 (zh) * | 2020-06-05 | 2021-12-09 | 北京嘀嘀无限科技发展有限公司 | 图像处理方法、电子设备、行车记录仪及服务器 |
CN111968078A (zh) * | 2020-07-28 | 2020-11-20 | 北京恒通智控机器人科技有限公司 | 一种变电设备的外观检测方法、装置、设备和存储介质 |
CN113763348A (zh) * | 2021-09-02 | 2021-12-07 | 北京格灵深瞳信息技术股份有限公司 | 图像质量确定方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182735A (zh) * | 2014-08-18 | 2014-12-03 | 厦门美图之家科技有限公司 | 训练优化的基于卷积神经网络的色情图像或视频检测方法 |
US20150294184A1 (en) * | 2014-02-28 | 2015-10-15 | International Business Machines Corporation | Pattern recognition based on information integration |
CN106295502A (zh) * | 2016-07-25 | 2017-01-04 | 厦门中控生物识别信息技术有限公司 | 一种人脸检测方法及装置 |
CN106776842A (zh) * | 2016-11-28 | 2017-05-31 | 腾讯科技(上海)有限公司 | 多媒体数据检测方法及装置 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100462054C (zh) * | 2007-07-06 | 2009-02-18 | 深圳市迈科龙电子有限公司 | 胎儿图像性别部位识别屏蔽方法 |
CN105808610B (zh) * | 2014-12-31 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 一种互联网图片过滤方法及装置 |
CN105989330A (zh) * | 2015-02-03 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种图片检测方法及设备 |
CN106874921B (zh) * | 2015-12-11 | 2020-12-04 | 清华大学 | 图像分类方法和装置 |
-
2017
- 2017-08-28 CN CN201710752783.2A patent/CN107665333A/zh active Pending
- 2017-09-22 WO PCT/CN2017/102866 patent/WO2019041406A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150294184A1 (en) * | 2014-02-28 | 2015-10-15 | International Business Machines Corporation | Pattern recognition based on information integration |
CN104182735A (zh) * | 2014-08-18 | 2014-12-03 | 厦门美图之家科技有限公司 | 训练优化的基于卷积神经网络的色情图像或视频检测方法 |
CN106295502A (zh) * | 2016-07-25 | 2017-01-04 | 厦门中控生物识别信息技术有限公司 | 一种人脸检测方法及装置 |
CN106776842A (zh) * | 2016-11-28 | 2017-05-31 | 腾讯科技(上海)有限公司 | 多媒体数据检测方法及装置 |
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 |
Non-Patent Citations (1)
Title |
---|
颜靖华: "基于行为的网络流分类技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136198A (zh) * | 2018-02-09 | 2019-08-16 | 腾讯科技(深圳)有限公司 | 图像处理方法及其装置、设备和存储介质 |
WO2019169767A1 (zh) * | 2018-03-06 | 2019-09-12 | 平安科技(深圳)有限公司 | 色情图片鉴定方法、电子装置及可读存储介质 |
CN108491866A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技(深圳)有限公司 | 色情图片鉴定方法、电子装置及可读存储介质 |
CN108564138A (zh) * | 2018-05-08 | 2018-09-21 | 广州优视网络科技有限公司 | 色情应用检测方法、装置、计算机可读存储介质和服务器 |
WO2019232859A1 (zh) * | 2018-06-04 | 2019-12-12 | 平安科技(深圳)有限公司 | 手写模型训练方法、手写字识别方法、装置、设备及介质 |
CN109272016A (zh) * | 2018-08-08 | 2019-01-25 | 广州视源电子科技股份有限公司 | 目标检测方法、装置、终端设备和计算机可读存储介质 |
CN110875875B (zh) * | 2018-09-03 | 2022-04-22 | Oppo广东移动通信有限公司 | 电子红包消息检测方法、检测装置及终端设备 |
CN110875875A (zh) * | 2018-09-03 | 2020-03-10 | Oppo广东移动通信有限公司 | 电子红包消息检测方法、检测装置及终端设备 |
CN109491970A (zh) * | 2018-10-11 | 2019-03-19 | 平安科技(深圳)有限公司 | 面向云存储的不良图片检测方法、装置及存储介质 |
CN109241951A (zh) * | 2018-10-26 | 2019-01-18 | 北京陌上花科技有限公司 | 色情图片识别方法、识别模型构建方法及识别模型和计算机可读存储介质 |
CN109886865A (zh) * | 2019-01-07 | 2019-06-14 | 平安科技(深圳)有限公司 | 自动屏蔽不良信息的方法、装置、计算机设备以及存储介质 |
CN109886865B (zh) * | 2019-01-07 | 2024-01-23 | 平安科技(深圳)有限公司 | 自动屏蔽不良信息的方法、装置、计算机设备以及存储介质 |
CN110414471A (zh) * | 2019-08-06 | 2019-11-05 | 福建省趋普物联科技有限公司 | 基于双模型的视频识别方法及系统 |
CN110414471B (zh) * | 2019-08-06 | 2022-02-01 | 福建省趋普物联科技有限公司 | 基于双模型的视频识别方法及系统 |
CN112529152A (zh) * | 2020-12-03 | 2021-03-19 | 开放智能机器(上海)有限公司 | 一种基于人工智能的西瓜成熟度检测的系统和方法 |
CN113076998A (zh) * | 2021-04-01 | 2021-07-06 | 重庆邮电大学 | 基于kubernetes深度神经网络模型的分布式分类方法 |
WO2023061506A1 (zh) * | 2021-10-15 | 2023-04-20 | 北京极智嘉科技股份有限公司 | 容器识别方法、装置、容器存取设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019041406A1 (zh) | 2019-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107665333A (zh) | 一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质 | |
CN109376615A (zh) | 用于提升深度学习网络预测性能的方法、装置及存储介质 | |
CN110097003A (zh) | 基于神经网络的课堂考勤方法、设备、存储介质及装置 | |
CN107665353A (zh) | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 | |
CN109815156A (zh) | 页面中视觉元素的展示测试方法、装置、设备和存储介质 | |
CN110288082A (zh) | 卷积神经网络模型训练方法、装置和计算机可读存储介质 | |
CN109284733A (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN112508044A (zh) | 人工智能ai模型的评估方法、系统及设备 | |
CN110321952A (zh) | 一种图像分类模型的训练方法及相关设备 | |
CN106484837A (zh) | 相似视频文件的检测方法和装置 | |
CN109145766A (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
WO2021037280A2 (zh) | 基于rnn的反洗钱模型的训练方法、装置、设备及介质 | |
CN109635825A (zh) | 车辆属性检测方法、装置及存储介质 | |
CN108717663A (zh) | 基于微表情的面签欺诈判断方法、装置、设备及介质 | |
CN109376631A (zh) | 一种基于神经网络的回环检测方法及装置 | |
CN108022146A (zh) | 征信数据的特征项处理方法、装置、计算机设备 | |
CN106650670A (zh) | 活体人脸视频的检测方法及装置 | |
CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
CN106407908A (zh) | 一种训练模型生成方法、人脸检测方法及装置 | |
CN110390107A (zh) | 基于人工智能的下文关系检测方法、装置及计算机设备 | |
CN112711757B (zh) | 一种基于大数据平台的数据安全集中管控方法及系统 | |
CN110490232A (zh) | 训练文字行方向预测模型的方法、装置、设备、介质 | |
CN111815169A (zh) | 业务审批参数配置方法及装置 | |
CN110378398A (zh) | 一种基于多尺度特征图跳跃融合的深度学习网络改进方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180206 |
|
RJ01 | Rejection of invention patent application after publication |