CN107729944B - 一种低俗图片的识别方法、装置、服务器及存储介质 - Google Patents

一种低俗图片的识别方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN107729944B
CN107729944B CN201710993101.7A CN201710993101A CN107729944B CN 107729944 B CN107729944 B CN 107729944B CN 201710993101 A CN201710993101 A CN 201710993101A CN 107729944 B CN107729944 B CN 107729944B
Authority
CN
China
Prior art keywords
picture
low
identified
custom
vulgar
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.)
Active
Application number
CN201710993101.7A
Other languages
English (en)
Other versions
CN107729944A (zh
Inventor
高光明
邓玥琳
丁飞
刘辉
齐智峰
武延豪
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710993101.7A priority Critical patent/CN107729944B/zh
Publication of CN107729944A publication Critical patent/CN107729944A/zh
Application granted granted Critical
Publication of CN107729944B publication Critical patent/CN107729944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

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

Abstract

本发明实施例公开了一种低俗图片的识别方法、装置、服务器及存储介质。所述方法包括：通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中；通过第二级网络模型将疑似低俗图片集中各个待识别图片识别为正常图片或者低俗图片。不但可以提高识别精度，还可以降低识别难度。

Description

一种低俗图片的识别方法、装置、服务器及存储介质
技术领域
本发明实施例涉及计算机应用技术领域，尤其涉及一种低俗图片的识别方法、装置、服务器及存储介质。
背景技术
随着通讯网络逐渐进入5G时代，移动互联网的飞速发展，图片由于其直观、真实、信息承载量大等优势，无论在自然资讯、网络社交还是商业广告上，在各种信息承载媒体上的占比上越来越大，每天都会有海量的图片生成。
为了吸引流量，不法分子会生成或者传播大量低俗、色情等违法图片，给商业广告或者社交图片的审核造成了极大的压力。当图片数量较少时，可以人工标注地方法对图片进行识别，人工标注往往是针对特定应用场景的二值化标注，一张图片会存在多次重复标注的人力浪费现象，采用人工识别的方式代价高昂，效率低下。因此，如何智能地对图片进行识别变得尤为重要。
现有技术中智能识别图片的方法通常采用卷积神经网络模型对图片的类别进行识别；现有的卷积神经网络模型可以包括：卷积操作和池化操作。
但是现有的卷积神经网络采用单一网络模型的组织架构，不会丰富图片识别的粒度，导致现有技术中使用卷积神经网络模型对图片识别的粒度较大，同时对图片识别的难度也较大。
发明内容
有鉴于此，本发明实施例提供一种低俗图片的识别方法、装置、服务器及存储介质，不但可以提高识别精度，还可以降低识别难度。
第一方面，本发明实施例提供了一种低俗图片的识别方法，所述方法包括：
通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中；
通过第二级网络模型将疑似低俗图片集中各个待识别图片识别为正常图片或者低俗图片。
第二方面，本发明实施例还提供了一种低俗图片的识别装置，所述装置包括：划分单元和识别单元；其中，
所述划分单元，用于通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中；
所述识别单元，通过第二级网络模型将疑似低俗图片集中各个待识别图片识别为正常图片或者低俗图片。
第三方面，本发明实施例还提供了一种服务器，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
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本发明任一实施例所述的低俗图片的识别方法。
第四方面，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的低俗图片的识别方法。
本发明实施例提出了一种低俗图片的识别方法、装置、服务器及存储介质，先通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片中；然后通过第二级网络模型将疑似低俗图片集中的待识别图片识别为正常图片或者低俗图片。也就是说，在本发明实施例提出的技术方案中，先通过级联网络模型中的第一级网络模型先对各个待识别图片进行初始化识别，将各个待识别图片划分到正常图片集或者疑似低俗图片集中；然后通过级联网络模型中的第二级网络模型对疑似低俗图片集中的待识别图片进行精细化识别，进一步将疑似低俗图片集中各个待识别图片识别为正常图片或者低俗图片。而现有的卷积神经网络采用单一网络模型的组织架构，不会丰富图片识别的粒度。因此，和现有技术相比，本发明实施例提出的低俗图片的识别方法、装置、服务器及存储介质，不但可以提高识别精度，还可以降低识别难度；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
附图说明
图1是本发明实施例一提供的低俗图片的识别方法的实现流程示意图；
图2为本发明实施例二提供的低俗图片的识别方法的实现流程示意图；
图3为本发明实施例三提供的低俗图片的识别方法的实现流程示意图；
图4为本发明实施例四提供的低俗图片的识别装置的组成结构示意图；
图5为本发明实施例五提供的服务器的组成结构示意图。
具体实施方式
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内容。
实施例一
图1是本发明实施例一提供的低俗图片的识别方法的实现流程示意图，本实施例提供的低俗图片的识别方法可适用于服务器对各个待识别图片进行初始化识别和精细化识别，该方法可以由低俗图片的识别装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在任何具有网络通信功能的智能设备中。参见图1，低俗图片的识别方法可以包括：
S101、通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中。
在本发明的具体实施例中，可以采用级联网络模型对各个待识别图片进行识别。该方法可以由低俗图片的识别装置来执行，该装置可以由软件和/或硬件来实现，一般可集成在终端或者服务器中。在本发明的具体实施例中，级联网络模型可以包括：第一级网络模型和第二级网络模型；先通过级联网络模型中的第一级网络模型先对各个待识别图片进行初始化识别，将各个待识别图片划分到正常图片集或者疑似低俗图片集中；然后通过级联网络模型中的第二级网络模型对疑似低俗图片集中的待识别图片进行精细化识别，进一步将疑似低俗图片集中的待识别图片识别为正常图片或者低俗图片。具体地，第一级网络模型可以采用多种方法将各个待识别图片划分到正常图片集或者疑似低俗图片集中。例如，第一级网络可以直接提取各个待识别图片的图片特征，通过比对图片特征与特征库的特征匹配度，将各个待识别图片划分到正常图片集或者疑似低俗图片集中。
S102、通过第二级网络模型将疑似低俗图片集中的待识别图片识别为正常图片或者低俗图片。
本发明实施例提出了一种低俗图片的识别方法，先通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中；然后通过第二级网络模型将疑似低俗图片集中的待识别图片识别为正常图片或者低俗图片。也就是说，在本发明实施例提出的技术方案中，先通过级联网络模型中的第一级网络模型先对各个待识别图片进行初始化识别，将各个待识别图片划分到正常图片集或者疑似低俗图片集中；然后通过级联网络模型中的第二级网络模型对疑似低俗图片集中的待识别图片进行精细化识别，进一步将疑似低俗图片集中各个待识别图片识别为正常图片或者低俗图片。而现有的卷积神经网络采用单一网络模型的组织架构，不会丰富图片识别的粒度。因此，和现有技术相比，本发明实施例提出的低俗图片的识别方法，不但可以提高识别精度，还可以降低识别难度；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
在本发明的具体实施例中，在通过第一级网络模型对各个待识别图片进行初始化识别之后，还可以通过第二级网络模型对疑似低俗图片集中的待识别图片进行精细化识别，将疑似低俗图片集中的待识别图片识别为正常图片或者低俗图片。图2为本发明实施例二提供的低俗图片的识别方法的实现流程示意图，本实施例在上述实施例的基础上将通过第二级网络模型对各个待识别图片进行精细化识别的方法进行了优化，如图2所示，低俗图片的识别方法可以包括：
S201、通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中。
S202、通过第二级网络模型将疑似低俗图片集中全部待识别图片划分到N个低俗类别中。
在本发明的具体实施例中，在通过第一网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集之后，可以通过第二网络模型将疑似低俗图片集中全部待识别图片划分到N个低俗类别中，分别为：第一低俗类别、第二低俗类别、…、第N低俗级别；其中，N为大于等于1的自然数。在本发明的具体实施例中，可以通过第二级网络模型计算疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度；然后将疑似低俗图片集中各个待识别图片划分到全部低俗类别中置信度最高的低俗类别中。具体地，通过第二级网络模型计算各个待识别图片分别在第一低俗类别、第二低俗类别、…、第N低俗类别中的置信度；然后在第一低俗类别、第二低俗类别、…、第N低俗类别中找到置信度最大的低俗类别；最后将各个待识别图片划分到置信度最大的低俗类别中。例如，通过第二级网络模型计算出当前待识别图片在第一低俗类别、第二低俗类别、…、第N低俗类别中的置信度分别为：置信度1、置信度2、…、置信度N；其中，置信度1<置信度2<…<置信度N，则可以将当前待识别图片划分到第N低俗类别中。
S203、根据各个待识别图片对应的低俗类别将其识别为正常图片或者低俗图片。
在本发明的具体实施例中，在通过第二级网络模型将疑似低俗图片集中全部待识别图片划分到N个低俗类别中之后，可以根据各个待识别图片对应的低俗类别将其识别为正常图片或者低俗图片。在本发明的具体实施例中，可以预先确定各个低俗类别与正常图片或者低俗图片之间的对应关系。例如，假设第一低俗类别对应于正常图片，那么第一低俗类别中的全部待识别图片则被识别为正常图片；再假设第二低俗类别对应于低俗图片，那么第二低俗类别中的全部待识别图片则被识别为低俗图片。
根据上述的描述可知，通过上述的操作S201～S203，先通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中；然后通过第二级网络模型对疑似低俗图片集中的待识别图片进行精细化识别，将疑似低俗图片集中的待识别图片识别为正常图片或者低俗图片。不但可以提高识别精度，还可以降低识别难度；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图3为本发明实施例三提供的低俗图片的识别方法的实现流程示意图，本实施例在上述实施例的基础上将通过第二级网络模型对各个待识别图片进行精细化识别的方法进行了优化，如图3所示，低俗图片的识别方法可以包括：
S301、通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中。
S302、通过第二级网络模型将疑似低俗图片集中全部待识别图片划分到N个低俗类别中。
在本发明的具体实施例中，在通过第一网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集之后，可以通过第二网络模型将疑似低俗图片集中全部待识别图片划分到N个低俗类别中，分别为：第一低俗类别、第二低俗类别、…、第N低俗级别；其中，N为大于等于1的自然数。在本发明的具体实施例中，可以通过第二级网络模型计算疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度；然后将疑似低俗图片集中各个待识别图片划分到全部低俗类别中置信度最高的低俗类别中。具体地，通过第二级网络模型计算各个待识别图片分别在第一低俗类别、第二低俗类别、…、第N低俗类别中的置信度；然后在第一低俗类别、第二低俗类别、…、第N低俗类别中找到置信度最大的低俗类别；最后将各个待识别图片划分到置信度最大的低俗类别中。例如，通过第二级网络模型计算出当前待识别图片在第一低俗类别、第二低俗类别、…、第N低俗类别中的置信度分别为：置信度1、置信度2、…、置信度N；其中，置信度1<置信度2<…<置信度N，则可以将当前待识别图片划分到第N低俗类别中。
S303、将全部低俗类别中的待识别图片划分到M个低俗等级中。
在本发明的具体实施例中，在通过第二级网络模型将疑似低俗图片集中全部待识别图片划分到N个低俗类别之后，可以将全部低俗类别中的待识别图片划分到M换个低俗等级中；其中，M为大于等于1且小于等于N的自然数。具体地，可以根据疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度计算各个低俗类别中各个待识别图片在各个低俗等级中的置信度；然后将疑似低俗图片集中各个待识别图片划分到全部低俗等级中置信度最高的低俗等级中。通过第二级网络模型计算各个待识别图片分别在第一低俗等级、第二低俗等级、…、第M低俗等级中的置信度；然后在第一低俗等级、第二低俗等级、…、第M低俗等级中找到置信度最大的低俗等级；最后将各个待识别图片划分到置信度最大的低俗等级中。例如，通过第二级网络模型计算出当前待识别图片在第一低俗等级、第二低俗等级、…、第M低俗等级中的置信度分别为：置信度1、置信度2、…、置信度M；其中，置信度1<置信度2<…<置信度M，则可以将当前待识别图片划分到第M低俗等级中。
具体地，在本发明的具体实施例中，可以通过以下公式计算各个待识别图片在各个低俗等级中的置信度：
Figure BDA0001441933810000081
其中，i和j分别表示第i个低俗等级和第j个低俗类别，N表示低俗类别的总数；f(i)表示低俗等级i到低俗类别j的映射。在本发明的具体实施例中，假设低俗类别的总数为50，分别为：低俗类别1、低俗类别2、…、低俗类别50；假设低俗等级的总数为10，分别为：低俗等级1、低俗等级2、…、低俗等级10；其中，低俗类别与低俗等级是多对一的关系，假设，低俗类别1、低俗类别2和低俗类别3对应低俗等级1，采用上述公式，可以将当前待识别图片在低俗类别1、低俗类别2和低俗类别3中的置信度相加，得到当前待识别图片在低俗等级1中的置信度。
较佳地，在本发明的具体实施例中，可以通过以下公式计算各个待识别图片在各个低俗等级中的低俗打分：Pvulgar＝(i-V(i)％vscale+V(i))*0.1；其中，V(i)表示当前待识别图片在低俗等级i中的置信度；vscale为预先设置的衰减步长。在本发明的具体实施例中，低俗打分越大，表示越低俗；低俗打分越小，表示越不低俗。
S304、根据各个待识别图片对应的低俗等级将其识别为正常图片或者低俗图片。
在本发明的具体实施例中，在通过第二级网络模型将全部低俗类别中的待识别图片划分到M个低俗等级之后，还可以根据各个待识别图片对应的低俗等级将其识别为正常图片或者低俗图片。例如，通过第二级网络模型计算出当前待识别图片在第一低俗等级、第二低俗等级、…、第N低俗等级中的置信度分别为：置信度1、置信度2、…、置信度M；其中，置信度1<置信度2<…<置信度M，则可以将当前待识别图片划分到第M低俗等级中。在本发明的具体实施例中，可以预先确定各个低俗等级与正常图片或者低俗图片之间的对应关系。例如，假设第一低俗等级对应于正常图片，那么第一低俗等级中的全部待识别图片则被识别为正常图片；再假设第二低俗等级对应于低俗图片，那么第二低俗类别中的全部待识别图片则被识别为低俗图片。
较佳地，在本发明的具体实施例中，为了提高识别算法的泛化能力和召回率，可以对现有的卷积神经网络结构进行更改，具体地，可以将现有卷积神经网络的卷基层1和卷积层2的卷积核心尺寸由单一尺寸更改为多尺寸，增强网络对不同尺寸特征的识别能力，增强模型的泛化能力。例如，在本发明的具体实施例中可以将现有卷积神经网络的卷积层1中尺寸为7*7的64个卷积窗口划分为以下三组：第一组可以包括：尺寸为7*7的32个卷积窗口；第二组可以包括：尺寸为5*5的24个卷积窗口；第三组可以包括：尺寸为3*3的8个卷积窗口。另外，在本发明的具体实施例中，还可以将现有卷积神经网络的卷积层2中尺寸为3*3的64个卷积窗口划分为以下两组：第一组可以包括：尺寸为3*3的48个卷积窗口；第二组可以包括：尺寸为1*1的16个卷积窗口。
本发明实施例提出的低俗图片的识别方法，先通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中；然后通过第二级网络模型将疑似低俗图片集中的待识别图片识别为正常图片或者低俗图片。也就是说，在本发明实施例提出的技术方案中，先通过级联网络模型中的第一级网络模型先对各个待识别图片进行初始化识别，将各个待识别图片划分到正常图片集或者疑似低俗图片集中；然后通过级联网络模型中的第二级网络模型对疑似低俗图片集中的待识别图片进行精细化识别，进一步将疑似低俗图片集中各个待识别图片识别为正常图片或者低俗图片。而现有的卷积神经网络采用单一网络模型的组织架构，不会丰富图片识别的粒度。因此，和现有技术相比，本发明实施例提出的低俗图片的识别方法、装置及存储介质，不但可以提高识别精度，还可以降低识别难度；并且，本发明实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图4为本发明实施例四提供的低俗图片的识别装置的组成结构示意图。如图4所示，本发明实施例所述的低俗图片的识别装置包括：划分单元401和识别单元402；其中，
所述划分单元401，用于通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中；
所述识别单元402，通过第二级网络模型将疑似低俗图片集中各个待识别图片识别为正常图片或者低俗图片。
可选的，所述识别单元402包括：第一划分子单元4021和第一识别子单元4022；其中，
所述第一划分子单元4021，用于通过所述第二级网络模型将所述疑似低俗图片集中全部待识别图片划分到N个低俗类别中；其中，N为大于等于1的自然数；
所述第一识别子单元4022，用于根据各个待识别图片对应的低俗类别将其识别为所述正常图片或者所述低俗图片。
可选的，所述第一划分子单元4021，具体用于通过所述第二级网络模型计算所述疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度；将所述疑似低俗图片集中各个待识别图片划分到全部低俗类别中置信度最高的低俗类别中。
可选的，所述识别单元402包括：第二划分子单元4023和第二识别子单元4024；其中，
所述第二划分子单元4023，用于通过所述第二级网络模型将所述疑似低俗图片集中全部待识别图片划分到N个低俗类别中；将全部低俗类别中的待识别图片划分到M个低俗等级中；其中，M为大于等于1且小于等于N的自然数；
所述第二识别子单元4024，用于根据各个待识别图片对应的低俗等级将其识别为所述正常图片或者所述低俗图片。
可选的，所述第二划分子单元4023，具体用于通过所述第二级网络模型计算所述疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度；根据所述疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度计算各个低俗类别中各个待识别图片在各个低俗等级中的置信度；将所述疑似低俗图片集中各个待识别图片划分到全部低俗等级中置信度最高的低俗等级中。
上述低俗图片的识别装置可执行本发明任意实施例所提供的低俗图片的识别方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的低俗图片的识别方法。
实施例五
图5是本发明实施例五提供的服务器的组成结构示意图。图5示出了适于用来实现本发明实施方式的示例性服务器的框图。图5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。
如图5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。
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。
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。
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/或高速缓存存储器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5未显示，通常称为“硬盘驱动器”)。尽管图5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。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。
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。
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。
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低俗图片的识别方法。
实施例六
本发明实施例七提供了一种计算机存储介质。
本发明实施例的计算机可读存储介质，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。
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。
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。
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)。
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。

Claims (8)

1.一种低俗图片的识别方法，其特征在于，所述方法包括：
通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中；
通过第二级网络模型将疑似低俗图片集中各个待识别图片识别为正常图片或者低俗图片；
所述通过第二级网络模型将疑似低俗图片集中各待识别图片识别为正常图片或者低俗图片，包括：
通过所述第二级网络模型将所述疑似低俗图片集中全部待识别图片划分到N个低俗类别中；其中，N为大于等于1的自然数；
根据各个待识别图片对应的低俗类别将其识别为所述正常图片或者所述低俗图片；
所述通过第二级网络模型将所述疑似低俗图片集中全部待识别图片划分到N个低俗类别中，包括：
通过所述第二级网络模型计算所述疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度；
将所述疑似低俗图片集中各个待识别图片划分到全部低俗类别中置信度最高的低俗类别中。
2.根据权利要求1所述的方法，其特征在于，所述通过第二级网络模型将疑似低俗图片集中各待识别图片识别为正常图片或者低俗图片，包括：
通过所述第二级网络模型将所述疑似低俗图片集中全部待识别图片划分到N个低俗类别中；
将全部低俗类别中的待识别图片划分到M个低俗等级中；其中，M为大于等于1且小于等于N的自然数；
根据各个待识别图片对应的低俗等级将其识别为所述正常图片或者所述低俗图片。
3.根据权利要求2所述的方法，其特征在于，所述将全部低俗类别中的待识别图片划分到M个低俗等级中，包括：
通过所述第二级网络模型计算所述疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度；
根据所述疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度计算各个低俗类别中各个待识别图片在各个低俗等级中的置信度；
将所述疑似低俗图片集中各个待识别图片划分到全部低俗等级中置信度最高的低俗等级中。
4.一种低俗图片的识别装置，其特征在于，所述装置包括：划分单元和识别单元；其中，
所述划分单元，用于通过第一级网络模型将各个待识别图片划分到正常图片集或者疑似低俗图片集中；
所述识别单元，通过第二级网络模型将疑似低俗图片集中各个待识别图片识别为正常图片或者低俗图片；
所述识别单元包括：第一划分子单元和第一识别子单元；其中，
所述第一划分子单元，用于通过所述第二级网络模型将所述疑似低俗图片集中全部待识别图片划分到N个低俗类别中；其中，N为大于等于1的自然数；
所述第一识别子单元，用于根据各个待识别图片对应的低俗类别将其识别为所述正常图片或者所述低俗图片；
所述第一划分子单元，具体用于：
通过所述第二级网络模型计算所述疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度；
将所述疑似低俗图片集中各个待识别图片划分到全部低俗类别中置信度最高的低俗类别中。
5.根据权利要求4所述的装置，其特征在于，所述识别单元包括：第二划分子单元和第二识别子单元；其中，
所述第二划分子单元，用于通过所述第二级网络模型将所述疑似低俗图片集中全部待识别图片划分到N个低俗类别中；将全部低俗类别中的待识别图片划分到M个低俗等级中；其中，M为大于等于1且小于等于N的自然数；
所述第二识别子单元，用于根据各个待识别图片对应的低俗等级将其识别为所述正常图片或者所述低俗图片。
6.根据权利要求5所述的装置，其特征在于，所述第二划分子单元，具体用于通过所述第二级网络模型计算所述疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度；根据所述疑似低俗图片集中各个待识别图片在各个低俗类别中的置信度计算各个低俗类别中各个待识别图片在各个低俗等级中的置信度；将所述疑似低俗图片集中各个待识别图片划分到全部低俗等级中置信度最高的低俗等级中。
7.一种服务器，其特征在于，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
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权利要求1-3中任一所述的低俗图片的识别方法。
8.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的低俗图片的识别方法。
CN201710993101.7A 2017-10-23 2017-10-23 一种低俗图片的识别方法、装置、服务器及存储介质 Active CN107729944B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710993101.7A CN107729944B (zh) 2017-10-23 2017-10-23 一种低俗图片的识别方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710993101.7A CN107729944B (zh) 2017-10-23 2017-10-23 一种低俗图片的识别方法、装置、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN107729944A CN107729944A (zh) 2018-02-23
CN107729944B true CN107729944B (zh) 2021-05-07

Family

ID=61213139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710993101.7A Active CN107729944B (zh) 2017-10-23 2017-10-23 一种低俗图片的识别方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN107729944B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019232723A1 (en) * 2018-06-06 2019-12-12 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for cleaning data
CN111860545B (zh) * 2020-07-30 2023-12-19 元神科技(杭州)有限公司 一种基于弱检测机制的图像敏感内容识别方法及系统
CN113837208B (zh) * 2021-10-18 2024-01-23 北京远鉴信息技术有限公司 一种异常图像的确定方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844283A (zh) * 2015-01-16 2016-08-10 阿里巴巴集团控股有限公司 用于识别图像类目归属的方法、图像搜索方法及装置
CN106611193A (zh) * 2016-12-20 2017-05-03 太极计算机股份有限公司 一种基于特征变量算法的图像内容信息分析方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102592076B1 (ko) * 2015-12-14 2023-10-19 삼성전자주식회사 딥러닝 기반 영상 처리 장치 및 방법, 학습 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844283A (zh) * 2015-01-16 2016-08-10 阿里巴巴集团控股有限公司 用于识别图像类目归属的方法、图像搜索方法及装置
CN106611193A (zh) * 2016-12-20 2017-05-03 太极计算机股份有限公司 一种基于特征变量算法的图像内容信息分析方法
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

Also Published As

Publication number Publication date
CN107729944A (zh) 2018-02-23

Similar Documents

Publication Publication Date Title
CN111090628B (zh) 一种数据处理方法、装置、存储介质及电子设备
WO2022141861A1 (zh) 情感分类方法、装置、电子设备及存储介质
CN112148987B (zh) 基于目标对象活跃度的消息推送方法及相关设备
CN110276023B (zh) Poi变迁事件发现方法、装置、计算设备和介质
WO2019061989A1 (zh) 贷款风险控制方法、电子装置及可读存储介质
CN107301248B (zh) 文本的词向量构建方法和装置、计算机设备、存储介质
CN110633991A (zh) 风险识别方法、装置和电子设备
US8880526B2 (en) Phrase clustering
CN107729944B (zh) 一种低俗图片的识别方法、装置、服务器及存储介质
CN107133263A (zh) Poi推荐方法、装置、设备及计算机可读存储介质
CN111522838A (zh) 地址相似度计算方法及相关装置
CN110704727A (zh) 信息推送方法、装置和计算机设备
WO2022089235A1 (zh) 产品的演示方法、装置、计算机设备及存储介质
CN110263140B (zh) 一种主题词的挖掘方法、装置、电子设备及存储介质
CN110704650A (zh) Ota图片标签的识别方法、电子设备和介质
CN113591881B (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN111949765B (zh) 基于语义的相似文本搜索方法、系统、设备和存储介质
CN109460511B (zh) 一种获取用户画像的方法、装置、电子设备及存储介质
CN109086328B (zh) 一种上下位关系的确定方法、装置、服务器及存储介质
CN110276001B (zh) 盘点页识别方法、装置、计算设备和介质
CN111124988A (zh) 基于书籍图谱的书籍显示方法、计算设备及存储介质
US20190057149A1 (en) System and method for classification of low relevance records in a database using instance-based classifiers and machine learning
CN110648208B (zh) 群组识别方法、装置和电子设备
CN111383040B (zh) 一种身份属性的识别方法、装置、电子设备及存储介质
CN113139490B (zh) 一种图像特征匹配方法、装置、计算机设备及存储介质

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
GR01 Patent grant
GR01 Patent grant