CN110647916A - 基于卷积神经网络的色情图片识别方法及装置 - Google Patents

基于卷积神经网络的色情图片识别方法及装置 Download PDF

Info

Publication number
CN110647916A
CN110647916A CN201910782270.5A CN201910782270A CN110647916A CN 110647916 A CN110647916 A CN 110647916A CN 201910782270 A CN201910782270 A CN 201910782270A CN 110647916 A CN110647916 A CN 110647916A
Authority
CN
China
Prior art keywords
picture
classification
loss value
value
neural network
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.)
Granted
Application number
CN201910782270.5A
Other languages
English (en)
Other versions
CN110647916B (zh
Inventor
厉智
叶国华
黄坤
吕锡海
童伟
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.)
Jiangsu Suning Cloud Computing Co ltd
SuningCom Co ltd
Original Assignee
Suning Cloud Computing 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 Suning Cloud Computing Co Ltd filed Critical Suning Cloud Computing Co Ltd
Priority to CN201910782270.5A priority Critical patent/CN110647916B/zh
Publication of CN110647916A publication Critical patent/CN110647916A/zh
Application granted granted Critical
Publication of CN110647916B publication Critical patent/CN110647916B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于卷积神经网络的色情图片识别方法及装置，涉及图片识别技术领域，能够提高图片鉴黄识别的准确性。该方法包括：将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量；基于特征向量计算分类概率值，得到初步分类结果；将分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值；根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型，其中，训练参数包括权重w和偏置b；获取待测图片，输入图片识别模型得到识别结果。该装置应用有上述方案所提的方法。

Description

基于卷积神经网络的色情图片识别方法及装置
技术领域
本发明涉及图片识别技术领域，尤其涉及一种基于卷积神经网络的智能鉴黄算法。
背景技术
大部分的互联网应用都允许用户上传头像、图片等，图片的内容包罗万象。但是，国家对上传到网络中的图片的内容具有严格的规定，禁止上传、分享黄色图片，即淫秽色情图片。因此，在图片成功上传到网络之前要经过检测，判断是否为淫秽色情图片等不能在网络上传播的图片。
目前，一些主流的AI公司、云服务厂商以及业务安全厂商都提供了API服务，用于检测图片、头像是否为淫秽色情图片，简称为鉴黄服务。通常，鉴黄服务都是基于深度学习模型，提取图片中的特征，并根据提取到的特征判断图片内容是否涉黄。
现有的图片识别结果仅有两类，即正常图片和黄色图片，但在实际应用中发现，对于图片中既包括正常图片特征又包括性感图片特征的混淆图片，容易导致识别结果出现误差，例如，将普通的性感图片识别为黄色图片。
发明内容
本发明的目的在于提供一种基于卷积神经网络的色情图片识别方法及装置，能够提高图片鉴黄识别的准确性。
为了实现上述目的，本发明的一方面提供一种基于卷积神经网络的色情图片识别方法，包括：
将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量；
基于所述特征向量计算分类概率值，得到初步分类结果；
将所述分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值；
根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型，其中，所述训练参数包括权重w和偏置b；
获取待测图片，输入图片识别模型得到识别结果。
优选地，将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量之前还包括：
初始化卷积神经网络参数，所述初始化的参数包括迭代次数阈值、权重w和偏置b；
将图片的识别结果划分为黄色图片、低俗性感图片、正常性感图片和正常图片四类。
优选地，基于所述特征向量计算分类概率值，得到初步分类结果的方法包括：
采用
Figure BDA0002176966170000021
计算特征向量的分类概率值，所述Vi表示提取出的特征向量，i表示分类索引，C表示分类总数，其中，S1表示黄色图片的分类概率值，S2表示低俗性感图片的分类概率值，S3表示正常性感图片的概率值，S4表示正常图片的分类概率值；
基于分类概率值中的最大值，输出样本图片的初步分类结果。
较佳地，将所述分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值的方法包括：
采用第一损失函数
Figure BDA0002176966170000022
计算分类损失值，所述Syi为初步分类结果对应的线性得分函数；
基于样本图片的分类标签与所述样本图片的初步分类结果，采用第二损失函数公式
Figure BDA0002176966170000031
计算当次训练的修正损失值。
较佳地，所述基于样本图片的分类标签与对所述样本图片的初步分类结果，计算当次训练的修正损失值的方法包括：
当样本图片的分类标签与初步分类结果一致，且均为黄色图片或者正常图片时采用函数Lporn＝-αtanh(|S4-S1|-β)计算其修正损失值；
当样本图片的分类标签为黄色图片而初步分类结果为正常图片，或者当样本图片的分类标签为正常图片而初步分类结果为黄色图片时，采用函数Lporn＝αtanh(|S4-S1|+β)计算其修正损失值；
当初步分类结果为低俗性感图片或正常性感图片时，默认其修正损失值为零。
进一步地，根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型的方法包括：
汇总分类损失值与修正损失值得到总损失值，反向调整卷积神经网络中卷积层、池化层及批归一化层的训练参数，更新权重w和偏置b；
判断当前迭代次数是否达到迭代次数阈值，若判断结果为否则调用更新后的权重w和偏置b重新获取样本图片执行上述迭代训练，直至判断结果为是，输出最新的权重w和偏置b构建图片识别模型。
与现有技术相比，本发明提供的基于卷积神经网络的色情图片识别方法具有以下有益效果：
本发明提供的基于卷积神经网络的色情图片识别方法中，通过将标记有分类标签的样本图片输入卷积神经网络迭代训练，提取特征向量后计算分类概率值，并根据分类概率值的大小识别初步分类结果，然后基于样本图片自身的分类标签和初步分类结果，分别使用第一损失函数计算其分类损失值，以及使用第二损失函数计算其修正损失值，汇总损失值后反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出训练参数构建图片识别模型。
可见，本发明通过引入第二损失函数对损失值修正计算，利用汇总损失值更加精准的调整卷积神经网络的训练参数，进而提高图片识别模型的鉴黄识别准确性。
本发明的另一方面提供一种基于卷积神经网络的色情图片识别装置，应用有上述技术方案提到的基于卷积神经网络的色情图片识别方法中，该装置包括:
特征提取单元，用于将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量；
初步分类单元，基于所述特征向量计算分类概率值，得到初步分类结果；
计算单元，用于将所述分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值；
模型训练单元，用于根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型，其中，所述训练参数包括权重w和偏置b；
图片识别单元，用于获取待测图片，输入图片识别模型得到识别结果。
优选地，所述初步分类单元包括：
分类概率值计算模块，用于采用计算特征向量的分类概率值，所述Vi表示提取出的特征向量，i表示分类索引，C表示分类总数，其中，S1表示黄色图片的分类概率值，S2表示低俗性感图片的分类概率值，S3表示正常性感图片的概率值，S4表示正常图片的分类概率值；
初步分类模块，用于基于分类概率值中的最大值，输出样本图片的初步分类结果。
较佳地，所述计算单元包括：
第一计算模块，用于采用第一损失函数
Figure BDA0002176966170000042
计算分类损失值，所述Syi为初步分类结果对应的线性得分函数；
第二计算模块，基于样本图片的分类标签与对所述样本图片的初步分类结果，采用第二损失函数公式
Figure BDA0002176966170000051
计算当次训练的修正损失值。
进一步地，所述模型训练单元包括：
反向调整模块，用于汇总分类损失值与修正损失值得到总损失值，反向调整卷积神经网络中卷积层、池化层及批归一化层的训练参数，更新权重w和偏置b；
判断输出模块，用于判断当前迭代次数是否达到迭代次数阈值，若判断结果为否则调用更新后的权重w和偏置b重新获取样本图片执行上述迭代训练，直至判断结果为是，输出最新的权重w和偏置b构建图片识别模型。
与现有技术相比，本发明提供的基于卷积神经网络的色情图片识别装置的有益效果与上述技术方案提供的基于卷积神经网络的色情图片识别方法的有益效果相同，在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一中基于卷积神经网络的色情图片识别方法的流程示意图；
图2为本发明实施例一中图片识别模型的训练流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，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，所描述的实施例仅仅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作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
实施例一
请参阅图1和图2，本实施例提供一种基于卷积神经网络的色情图片识别方法，包括：
将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量；基于特征向量计算分类概率值，得到初步分类结果；将分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值；根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型，其中，训练参数包括权重w和偏置b；获取待测图片，输入图片识别模型得到识别结果。
本实施例提供的基于卷积神经网络的色情图片识别方法中，通过将标记有分类标签的样本图片输入卷积神经网络迭代训练，提取特征向量后计算分类概率值，并根据分类概率值的大小识别初步分类结果，然后基于样本图片自身的分类标签和初步分类结果，分别使用第一损失函数计算其分类损失值，以及使用第二损失函数计算其修正损失值，汇总损失值后反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出训练参数构建图片识别模型。
可见，本实施例通过引入第二损失函数对损失值修正计算，利用汇总损失值更加精准的调整卷积神经网络的训练参数，进而提高图片识别模型的鉴黄识别准确性。
优选地，上述实施例中将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量之前还包括：
初始化卷积神经网络参数，初始化的参数包括迭代次数阈值、权重w和偏置b；将图片的识别结果划分为黄色图片、低俗性感图片、正常性感图片和正常图片四类。
具体实施时，卷积神经网络参数的初始化过程为本领域技术人员所熟知的，在此不做赘述，示例性地，初始化的参数包括迭代次数阈值、权重w、偏置b和学习率，其中迭代次数阈值为500000次，初始学习率为0.01，且每迭代100000次要求学习率降低10倍；同时，为了降低黄色图片与正常图片的识别出错概率，本实施例通过引入低俗性感图片和正常性感图片类别加以过渡，以避免将属于过渡类别的待测图片错误识别为黄色图片或正常图片，提高图片识别模型的识别准确性。
上述实施例中，将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量的方法包括：
卷积神经网络的迭代训练过程本质为监督学习的过程，训练开始时，首先通过卷积神经网络的数据层采样大批的待测图片数据，然后随机选择其中一张待测图片识别其分类标签，并将该待测图片经过卷积操作、池化操作、批归一化操作不断的进行特征提取，最后通过输出层输出特征向量。
具体地，上述实施例中基于特征向量计算分类概率值，得到初步分类结果的方法包括：
采用计算特征向量的分类概率值，Vi表示提取出的特征向量，i表示分类索引，C表示分类总数；基于分类概率值中的最大值，输出样本图片的初步分类结果。
具体实施时，采用softmax函数，也即函数计算特征向量的分类概率值，其中，分类总数C的取值为4，i表示分类索引，对应取值为1、2、3、4中的任一项，j的取值为1至4，Si表示的是当前元素的指数与所有元素指数和的比值，最终得到的S1表示黄色图片的分类概率值，S2表示低俗性感图片的分类概率值，S3表示正常性感图片的概率值，S4表示正常图片的分类概率值，然后根据上述求得的4个分类概率值中的最大值，输出对应的初步分类结果。
为了便于理解，对上述初步分类结果的具体实现过程做示例性说明：
经过卷积神经网络提取的特征向量
Figure BDA0002176966170000081
采用softmax函数
Figure BDA0002176966170000082
处理后，对应得到的四个分类概率值为
Figure BDA0002176966170000083
上述求得的4个分类概率值中第四类的概率值最大，因此该样本图片的初步分类结果为正常图片。
进一步地，上述实施例中将分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值的方法包括：
采用第一损失函数计算分类损失值，Syi为初步分类结果对应的线性得分函数；基于样本图片的分类标签与对样本图片的初步分类结果，采用第二损失函数公式
Figure BDA0002176966170000085
计算当次训练的修正损失值。
具体实施时，第一损失函数实质为概率损失函数
Figure BDA0002176966170000086
由于log运算符不会影响函数的单调性，我们对其进行log操作，得到：
由于期望Si越大越好，即正确类别对应的相对概率越大越好，通过在Si前面加负号来表示其损失函数，得到：
Figure BDA0002176966170000088
对上式进一步处理，把指数约去，得到：
Figure BDA0002176966170000091
由于上述样本图片的初步分类结果为第四类，计算其分类损失值为：
Li＝-2+log(e-3+e0+e-1+e2)＝0.1755。
进一步地，上述实施例中基于样本图片的分类标签与对样本图片的初步分类结果，计算当次训练的修正损失值的方法包括：
当样本图片的分类标签与初步分类结果一致，且均为黄色图片或者正常图片时采用函数Lporn＝-αtanh(|S4-S1|-β)计算其修正损失值；当样本图片的分类标签为黄色图片而初步分类结果为正常图片，或者当样本图片的分类标签为正常图片而初步分类结果为黄色图片时，采用函数Lporn＝αtanh(|S4-S1|+β)计算其修正损失值；当初步分类结果为低俗性感图片或正常性感图片时，默认其修正损失值为零。
具体实施时，仍以上述示例进行说明，由于初步分类结果与样本图片的分类标签结果一致均为正常图片，故采用函数Lporn＝-αtanh(|S4-S1|-β)计算其修正损失值，经反复训练设置α＝0.2，β＝0.5，S4经上述计算为0.8390，S1经上述计算为0.0057，最终得到Lporn＝0.0011，Lsum＝Li+Lporn＝0.1766。
请参阅图2，上述实施例中根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型的方法包括：
汇总分类损失值与修正损失值得到总损失值，反向调整卷积神经网络中卷积层、池化层及批归一化层的训练参数，更新权重w和偏置b；判断当前迭代次数是否达到迭代次数阈值，若判断结果为否则调用更新后的权重w和偏置b重新获取样本图片执行上述迭代训练，直至判断结果为是，输出最新的权重w和偏置b构建图片识别模型。需要说明的是，上述反向调整卷积神经网络中卷积层、池化层及批归一化层的训练参数为现有技术中熟知的方案，本实施例在此不做赘述。
实施例二
本实施例提供一种基于卷积神经网络的色情图片识别装置，包括：
特征提取单元，用于将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量；
初步分类单元，基于所述特征向量计算分类概率值，得到初步分类结果；
计算单元，用于将所述分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值；
模型训练单元，用于根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型，其中，所述训练参数包括权重w和偏置b；
图片识别单元，用于获取待测图片，输入图片识别模型得到识别结果。
优选地，所述初步分类单元包括：
分类概率值计算模块，用于采用
Figure BDA0002176966170000101
计算特征向量的分类概率值，所述Vi表示提取出的特征向量，i表示分类索引，C表示分类总数，其中，S1表示黄色图片的分类概率值，S2表示低俗性感图片的分类概率值，S3表示正常性感图片的概率值，S4表示正常图片的分类概率值；
初步分类模块，用于基于分类概率值中的最大值，输出样本图片的初步分类结果。
较佳地，所述计算单元包括：
第一计算模块，用于采用第一损失函数
Figure BDA0002176966170000102
计算分类损失值，所述Syi为初步分类结果对应的线性得分函数；
第二计算模块，基于样本图片的分类标签与对所述样本图片的初步分类结果，采用第二损失函数公式
Figure BDA0002176966170000103
计算当次训练的修正损失值。
进一步地，所述模型训练单元包括：
反向调整模块，用于汇总分类损失值与修正损失值得到总损失值，反向调整卷积神经网络中卷积层、池化层及批归一化层的训练参数，更新权重w和偏置b；
判断输出模块，用于判断当前迭代次数是否达到迭代次数阈值，若判断结果为否则调用更新后的权重w和偏置b重新获取样本图片执行上述迭代训练，直至判断结果为是，输出最新的权重w和偏置b构建图片识别模型。
与现有技术相比，本实施例提供的基于卷积神经网络的色情图片识别装置的有益效果与上述实施例提供的基于卷积神经网络的色情图片识别方法的有益效果相同，在此不做赘述。
本领域普通技术人员可以理解，实现上述发明方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，上述程序可以存储于计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，上述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。
以上，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，可轻易想到变化或替换，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所述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色情图片识别方法，其特征在于，包括：
将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量；
基于所述特征向量计算分类概率值，得到初步分类结果；
将所述分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值；
根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型，其中，所述训练参数包括权重w和偏置b；
获取待测图片，输入图片识别模型得到识别结果。
2.根据权利要求1所述的方法，其特征在于，将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量之前还包括：
初始化卷积神经网络参数，所述初始化的参数包括迭代次数阈值、权重w和偏置b；
将图片的识别结果划分为黄色图片、低俗性感图片、正常性感图片和正常图片四类。
3.根据权利要求1所述的方法，其特征在于，基于所述特征向量计算分类概率值，得到初步分类结果的方法包括：
采用计算特征向量的分类概率值，所述Vi表示提取出的特征向量，i表示分类索引，C表示分类总数，其中，S1表示黄色图片的分类概率值，S2表示低俗性感图片的分类概率值，S3表示正常性感图片的概率值，S4表示正常图片的分类概率值；
基于分类概率值中的最大值，输出样本图片的初步分类结果。
4.根据权利要求3所述的方法，其特征在于，将所述分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值的方法包括：
采用第一损失函数
Figure FDA0002176966160000021
计算分类损失值，所述Syi为初步分类结果对应的线性得分函数；
基于所述样本图片的分类标签与所述样本图片的初步分类结果，采用第二损失函数公式
Figure FDA0002176966160000022
计算当次训练的修正损失值。
5.根据权利要求4所述的方法，其特征在于，所述基于样本图片的分类标签与对所述样本图片的初步分类结果，计算当次训练的修正损失值的方法包括：
当样本图片的分类标签与初步分类结果一致，且均为黄色图片或者正常图片时采用函数Lporn＝-αtanh(|S4-S1|-β)计算其修正损失值；
当样本图片的分类标签为黄色图片而初步分类结果为正常图片，或者当样本图片的分类标签为正常图片而初步分类结果为黄色图片时，采用函数Lporn＝αtanh(|S4-S1|+β)计算其修正损失值；
当初步分类结果为低俗性感图片或正常性感图片时，默认其修正损失值为零。
6.根据权利要求4或5所述的方法，其特征在于，根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型的方法包括：
汇总分类损失值与修正损失值得到总损失值，反向调整卷积神经网络中卷积层、池化层及批归一化层的训练参数，更新权重w和偏置b；
判断当前迭代次数是否达到迭代次数阈值，若判断结果为否则调用更新后的权重w和偏置b重新获取样本图片执行上述迭代训练，直至判断结果为是，输出最新的权重w和偏置b构建图片识别模型。
7.一种基于卷积神经网络的色情图片识别装置，其特征在于，包括：
特征提取单元，用于将标记有分类标签的样本图片输入卷积神经网络迭代训练，并提取特征向量；
初步分类单元，基于所述特征向量计算分类概率值，得到初步分类结果；
计算单元，用于将所述分类概率值输入第一损失函数计算分类损失值，以及输入第二损失函数获得修正损失值；
模型训练单元，用于根据分类损失值与修正损失值之和反向调整卷积神经网络的训练参数，直至达到迭代次数阈值时输出最新的训练参数构建图片识别模型，其中，所述训练参数包括权重w和偏置b；
图片识别单元，用于获取待测图片，输入图片识别模型得到识别结果。
8.根据权利要求7所述的装置，其特征在于，所述初步分类单元包括：
分类概率值计算模块，用于采用
Figure FDA0002176966160000031
计算特征向量的分类概率值，所述Vi表示提取出的特征向量，i表示分类索引，C表示分类总数，其中，S1表示黄色图片的分类概率值，S2表示低俗性感图片的分类概率值，S3表示正常性感图片的概率值，S4表示正常图片的分类概率值；
初步分类模块，用于基于分类概率值中的最大值，输出样本图片的初步分类结果。
9.根据权利要求8所述的装置，其特征在于，所述计算单元包括：
第一计算模块，用于采用第一损失函数
Figure FDA0002176966160000032
计算分类损失值，所述Syi为初步分类结果对应的线性得分函数；
第二计算模块，基于样本图片的分类标签与所述样本图片的初步分类结果，采用第二损失函数公式
Figure FDA0002176966160000041
计算当次训练的修正损失值。
10.根据权利要求9所述的装置，其特征在于，所述模型训练单元包括：
反向调整模块，用于汇总分类损失值与修正损失值得到总损失值，反向调整卷积神经网络中卷积层、池化层及批归一化层的训练参数，更新权重w和偏置b；
判断输出模块，用于判断当前迭代次数是否达到迭代次数阈值，若判断结果为否则调用更新后的权重w和偏置b重新获取样本图片执行上述迭代训练，直至判断结果为是，输出最新的权重w和偏置b构建图片识别模型。
CN201910782270.5A 2019-08-23 2019-08-23 基于卷积神经网络的色情图片识别方法及装置 Active CN110647916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910782270.5A CN110647916B (zh) 2019-08-23 2019-08-23 基于卷积神经网络的色情图片识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910782270.5A CN110647916B (zh) 2019-08-23 2019-08-23 基于卷积神经网络的色情图片识别方法及装置

Publications (2)

Publication Number Publication Date
CN110647916A true CN110647916A (zh) 2020-01-03
CN110647916B CN110647916B (zh) 2022-10-28

Family

ID=68990339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910782270.5A Active CN110647916B (zh) 2019-08-23 2019-08-23 基于卷积神经网络的色情图片识别方法及装置

Country Status (1)

Country Link
CN (1) CN110647916B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242222A (zh) * 2020-01-14 2020-06-05 北京迈格威科技有限公司 分类模型的训练方法、图像处理方法及装置
CN111259968A (zh) * 2020-01-17 2020-06-09 腾讯科技（深圳）有限公司 非法图像识别方法、装置、设备和计算机可读存储介质
CN111613287A (zh) * 2020-03-31 2020-09-01 武汉金域医学检验所有限公司 基于Glow网络的报告单编码模型生成方法、系统和设备
CN111723666A (zh) * 2020-05-20 2020-09-29 同济大学 一种基于半监督学习的信号识别方法和装置
CN113178189A (zh) * 2021-04-27 2021-07-27 科大讯飞股份有限公司 一种信息分类方法及装置、信息分类模型训练方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100035597A1 (en) * 2008-08-06 2010-02-11 Bindu Rama Rao Mobile device for access to argicultural services by non-literate and semi-literate users
CN104992177A (zh) * 2015-06-12 2015-10-21 安徽大学 基于深层卷积神经网络的网络色情图像检测方法
CN107220328A (zh) * 2017-05-23 2017-09-29 南京大学 基于社交网络的弱关系和强关系的视频推荐方法
CN108171260A (zh) * 2017-12-15 2018-06-15 百度在线网络技术（北京）有限公司 一种图片识别方法及系统
CN108235770A (zh) * 2017-12-29 2018-06-29 深圳前海达闼云端智能科技有限公司 图像识别方法及云端系统
CN108256555A (zh) * 2017-12-21 2018-07-06 北京达佳互联信息技术有限公司 图像内容识别方法、装置及终端
CN108960189A (zh) * 2018-07-20 2018-12-07 南京旷云科技有限公司 图像再识别方法、装置及电子设备
CN109145979A (zh) * 2018-08-15 2019-01-04 上海嵩恒网络科技股份有限公司 敏感图像鉴定方法及终端系统
CN110097104A (zh) * 2019-04-22 2019-08-06 安徽大学 基于深度学习的苹果叶片病害分类方法及其自动识别装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100035597A1 (en) * 2008-08-06 2010-02-11 Bindu Rama Rao Mobile device for access to argicultural services by non-literate and semi-literate users
CN104992177A (zh) * 2015-06-12 2015-10-21 安徽大学 基于深层卷积神经网络的网络色情图像检测方法
CN107220328A (zh) * 2017-05-23 2017-09-29 南京大学 基于社交网络的弱关系和强关系的视频推荐方法
CN108171260A (zh) * 2017-12-15 2018-06-15 百度在线网络技术（北京）有限公司 一种图片识别方法及系统
CN108256555A (zh) * 2017-12-21 2018-07-06 北京达佳互联信息技术有限公司 图像内容识别方法、装置及终端
CN108235770A (zh) * 2017-12-29 2018-06-29 深圳前海达闼云端智能科技有限公司 图像识别方法及云端系统
CN108960189A (zh) * 2018-07-20 2018-12-07 南京旷云科技有限公司 图像再识别方法、装置及电子设备
CN109145979A (zh) * 2018-08-15 2019-01-04 上海嵩恒网络科技股份有限公司 敏感图像鉴定方法及终端系统
CN110097104A (zh) * 2019-04-22 2019-08-06 安徽大学 基于深度学习的苹果叶片病害分类方法及其自动识别装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242222A (zh) * 2020-01-14 2020-06-05 北京迈格威科技有限公司 分类模型的训练方法、图像处理方法及装置
CN111242222B (zh) * 2020-01-14 2023-12-19 北京迈格威科技有限公司 分类模型的训练方法、图像处理方法及装置
CN111259968A (zh) * 2020-01-17 2020-06-09 腾讯科技（深圳）有限公司 非法图像识别方法、装置、设备和计算机可读存储介质
CN111613287A (zh) * 2020-03-31 2020-09-01 武汉金域医学检验所有限公司 基于Glow网络的报告单编码模型生成方法、系统和设备
CN111723666A (zh) * 2020-05-20 2020-09-29 同济大学 一种基于半监督学习的信号识别方法和装置
CN111723666B (zh) * 2020-05-20 2022-11-18 同济大学 一种基于半监督学习的信号识别方法和装置
CN113178189A (zh) * 2021-04-27 2021-07-27 科大讯飞股份有限公司 一种信息分类方法及装置、信息分类模型训练方法及装置
WO2022227297A1 (zh) * 2021-04-27 2022-11-03 科大讯飞股份有限公司 一种信息分类方法及装置、信息分类模型训练方法及装置
CN113178189B (zh) * 2021-04-27 2023-10-27 科大讯飞股份有限公司 一种信息分类方法及装置、信息分类模型训练方法及装置

Also Published As

Publication number Publication date
CN110647916B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN110647916B (zh) 基于卷积神经网络的色情图片识别方法及装置
CN108737406B (zh) 一种异常流量数据的检测方法及系统
WO2021155706A1 (zh) 利用不平衡正负样本对业务预测模型训练的方法及装置
WO2018166114A1 (zh) 图片识别的方法、系统、电子装置及介质
WO2021164481A1 (zh) 基于神经网络模型的手写签名的自动校验的方法和装置
CN111783505A (zh) 伪造人脸的识别方法、装置和计算机可读存储介质
CN112001403B (zh) 一种图像轮廓检测方法及系统
CN107992807B (zh) 一种基于cnn模型的人脸识别方法及装置
CN114842267A (zh) 基于标签噪声域自适应的图像分类方法及系统
CN111626367A (zh) 对抗样本检测方法、装置、设备及计算机可读存储介质
CN109740656A (zh) 一种基于卷积神经网络的矿石分选方法
CN111144566B (zh) 神经网络权重参数的训练方法、特征分类方法及对应装置
CN113628059A (zh) 一种基于多层图注意力网络的关联用户识别方法及装置
CN110929836A (zh) 神经网络训练及图像处理方法和装置、电子设备、介质
CN112581355A (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN108985190A (zh) 目标识别方法和装置、电子设备、存储介质、程序产品
CN112966685A (zh) 用于场景文本识别的攻击网络训练方法、装置及相关设备
CN111353514A (zh) 模型训练方法、图像识别方法、装置及终端设备
CN108491719A (zh) 一种改进朴素贝叶斯算法的安卓恶意程序检测方法
CN109617864B (zh) 一种网站识别方法及网站识别系统
CN113378620B (zh) 监控视频噪声环境下跨摄像头行人重识别方法
CN111737688B (zh) 基于用户画像的攻击防御系统
CN107564013B (zh) 融合局部信息的场景分割修正方法与系统
CN116152612B (zh) 一种长尾图像识别方法及相关装置
CN116935057A (zh) 目标评价方法、电子设备和计算机可读存储介质

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000

Patentee after: Jiangsu Suning cloud computing Co.,Ltd.

Address before: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000

Patentee before: Suning Cloud Computing Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240111

Address after: 210000, 1-5 story, Jinshan building, 8 Shanxi Road, Nanjing, Jiangsu.

Patentee after: SUNING.COM Co.,Ltd.

Address before: No.1-1 Suning Avenue, Xuzhuang Software Park, Xuanwu District, Nanjing, Jiangsu Province, 210000

Patentee before: Jiangsu Suning cloud computing Co.,Ltd.