CN110807139A - 图片识别方法、装置、计算机可读存储介质和计算机设备 - Google Patents
图片识别方法、装置、计算机可读存储介质和计算机设备 Download PDFInfo
- Publication number
- CN110807139A CN110807139A CN201911011154.XA CN201911011154A CN110807139A CN 110807139 A CN110807139 A CN 110807139A CN 201911011154 A CN201911011154 A CN 201911011154A CN 110807139 A CN110807139 A CN 110807139A
- Authority
- CN
- China
- Prior art keywords
- picture
- candidate
- identification
- target
- identified
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图片识别方法、装置、计算机可读存储介质和计算机设备,所述方法包括:对待识别图片进行分割处理,得到至少两个的候选图;提取各个所述候选图的目标特征图;所述目标特征图为所述候选图的目标图像特征对应的特征图;根据各个所述候选图的目标特征图,得到各个所述候选图在至少两个图片识别维度下的识别分数;根据各个所述候选图在至少两个图片识别维度下的识别分数,确定所述待识别图片的目标分数;根据所述目标分数确定对所述待识别图片的图片识别结果。本申请提供的方案实现了根据待识别图片的至少两个候选图,实时得到待识别图片的图片识别结果的目的;同时综合考虑待识别图片的多个候选图,有利于提高图片的识别准确率。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及一种图片识别方法、装置、计算机可读存储介质和计算机设备。
背景技术
随着互联网技术的发展,网络中充斥了大量不良信息,各种不良图片层出不穷,为了对不良图片进行屏蔽,需要对图片进行识别。
然而,目前的图片识别方法,一般是通过深度学习的方法,对整张待识别图片进行二分类;但是,整张图片的内容非常复杂,且类型多样,简单地将其划分为同一类别,会使得深度学习的难度大大增加,从而造成图片的识别准确率较低。
发明内容
基于此,有必要针对图片的识别准确率较低的技术问题,提供一种图片识别方法、装置、计算机可读存储介质和计算机设备。
一种图片识别方法,包括:
对待识别图片进行分割处理,得到至少两个的候选图;
提取各个所述候选图的目标特征图;所述目标特征图为所述候选图的目标图像特征对应的特征图;
根据各个所述候选图的目标特征图,得到各个所述候选图在至少两个图片识别维度下的识别分数;
根据各个所述候选图在至少两个图片识别维度下的识别分数,确定所述待识别图片的目标分数;
根据所述目标分数确定对所述待识别图片的图片识别结果。
在其中一个实施例中,在对待识别图片进行分割处理,得到多个候选图之后,还包括:
分别对所述多个候选图中的各个像素点的像素值进行归一化处理,得到各个归一化处理后的候选图。
在其中一个实施例中,所述方法还包括:
从所述待识别图片的图片标签中,将所述待识别图片的目标分数对应的图片标签,作为所述待识别图片的图片类型;
获取所述待识别图片的图片标识,将所述待识别图片按照所述图片标识存储至预设数据库中;所述预设数据库中存储的所述待识别图片中携带有所述图片标签以及所述图片类型。
在其中一个实施例中,所述方法还包括:
接收终端发送的图片识别请求;所述图片识别请求中携带有图片标识;
从所述预设数据库中获取与所述图片标识对应的图片;
将所述图片对应的图片类型以及图片标签推送至所述终端。
一种图片识别装置,所述装置包括:
候选图分割模块,用于对待识别图片进行分割处理,得到至少两个的候选图;
特征图提取模块,用于提取各个所述候选图的目标特征图;所述目标特征图为所述候选图的目标图像特征对应的特征图;
识别分数获取模块,用于根据各个所述候选图的目标特征图,得到各个所述候选图在至少两个图片识别维度下的识别分数;
目标分数确定模块,用于根据各个所述候选图在至少两个图片识别维度下的识别分数,确定所述待识别图片的目标分数;
图片识别模块,用于根据所述目标分数确定对所述待识别图片的图片识别结果。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
对待识别图片进行分割处理,得到至少两个的候选图;
提取各个所述候选图的目标特征图;所述目标特征图为所述候选图的目标图像特征对应的特征图;
根据各个所述候选图的目标特征图,得到各个所述候选图在至少两个图片识别维度下的识别分数;
根据各个所述候选图在至少两个图片识别维度下的识别分数,确定所述待识别图片的目标分数;
根据所述目标分数确定对所述待识别图片的图片识别结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
对待识别图片进行分割处理,得到至少两个的候选图;
提取各个所述候选图的目标特征图;所述目标特征图为所述候选图的目标图像特征对应的特征图;
根据各个所述候选图的目标特征图,得到各个所述候选图在至少两个图片识别维度下的识别分数;
根据各个所述候选图在至少两个图片识别维度下的识别分数,确定所述待识别图片的目标分数;
根据所述目标分数确定对所述待识别图片的图片识别结果。
上述图片识别方法、装置、计算机可读存储介质和计算机设备,通过提取的待识别图片的至少两个候选图的目标特征图,确定各个候选图在至少两个图片识别维度下的识别分数,进而确定待识别图片的目标分数,并根据待识别图片的目标分数确定对待识别图片的图片识别结果;实现了根据待识别图片的至少两个候选图,实时得到待识别图片的图片识别结果的目的;综合考虑待识别图片的多个候选图,有利于增大待识别图片的局部区域的分辨率,避免遗漏待识别图片的局部信息,使得图片的识别更加准确,从而提高了图片的识别准确率;同时,通过提取各个候选图的目标特征图,能够有效地筛选和结合候选图的图像特征,从而减少了待识别图片的小区域信息的损失,进一步提高了图片的识别准确率;此外,通过得到的各个候选图在至少两个图片识别维度下的识别分数,确定对待识别图片的图片识别结果,有利于从多个图片识别维度对待识别图片进行判别,从而降低了图片的识别难度,有利于实现图片的精准识别,进而提高了图片的识别准确率。此外,无需通过人工对图片进行审核,从而降低了人工审核成本,进一步提高了图片识别效率;同时通过获取对待识别图片的图片识别结果,有利于对不符合要求的图片进行过滤,从而保证了图片质量。
附图说明
图1为一个实施例中图片识别方法的应用环境图;
图2为一个实施例中计算机设备的结构框图;
图3为一个实施例中图片识别方法的流程示意图;
图4为一个实施例中对待识别图片进行分割处理,得到至少两个的候选图的步骤的流程示意图;
图5为一个实施例中根据待识别图片的高宽比例,确定正方形剪切框的边长以及分割顺序的步骤的流程示意图;
图6为一个实施例中提取各个候选图的目标特征图的步骤的流程示意图;
图7为一个实施例中获取各个候选图的关键特征图候选集的步骤的流程示意图;
图8为一个实施例中训练特征提取模型的步骤的流程示意图;
图9为一个实施例中根据各个候选图的目标特征图,得到各个候选图在至少两个图片识别维度下的识别分数的步骤的流程示意图;
图10为一个实施例中根据各个候选图在至少两个图片识别维度下的识别分数,确定待识别图片的目标分数的步骤的流程示意图;
图11为一个实施例中根据目标分数确定对待识别图片的图片识别结果的步骤的流程示意图;
图12为一个实施例中确定待识别图片的图片标签的步骤的流程示意图;
图13为一个实施例中存储待识别图片的步骤的流程示意图;
图14为一个实施例中图片识别方法的应用环境图;
图15为另一个实施例中图片识别方法的流程示意图;
图16为一个实施例中图片审核的界面示意图;
图17为又一个实施例中图片识别方法的流程示意图;
图18为一个实施例中线上测试图片识别方法的流程示意图;
图19为一个实施例中图片识别装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中图片识别方法的应用环境图。参照图1,该应用环境图包括服务器110。服务器110获取待识别图片,并对待识别图片进行分割处理,得到至少两个的候选图,比如待识别图片的候选图1、待识别图片的候选图2、待识别图片的候选图3等;其中,待识别图片可以是服务器自身从网络上或者本地获取的,也可以是终端上传的;例如,服务器采集当前网络上或者本地数据库中未被审核的图片,作为待识别图片;或者终端将审核人员在终端界面上选择的待识别图片发送至服务器。服务器提取各个候选图的目标特征图;目标特征图为候选图的目标图像特征对应的特征图;根据各个候选图的目标特征图,得到各个候选图在至少两个图片识别维度下的识别分数;根据各个候选图在至少两个图片识别维度下的识别分数,确定待识别图片的目标分数;根据目标分数确定对待识别图片的图片识别结果。其中,对待识别图片的图片识别结果可以用于推送至对应的用户;比如,服务器基于终端的图片识别请求,将对待识别图片的图片识别结果推送至对应的终端,以供终端对应的用户进行查看。此外,图片识别方法还可以应用在图片审核系统、图片推荐系统、图片传输系统等,具体本申请不做限定。
图2示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器110。如图2所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现图片识别方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行图片识别方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图2中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
如图3所示,在一个实施例中,提供了一种图片识别方法。本实施例主要以该方法应用于上述图1中的服务器110来举例说明。参照图3,该图片识别方法具体包括如下步骤:
S302,对待识别图片进行分割处理,得到至少两个的候选图。
其中,待识别图片是指需要确定图片类型的图片,可以是本地缓存的图片,也可以是用户上传的图片,还可以是线上测试图片,还可以是是网络上的不良图片;不良图片是指存在禁忌内容的图片。
其中,候选图是指从待识别图片中分割出来的图片;例如,待识别图片的尺寸为20cm×10cm,则可以按照短边10cm,从上至下将待识别图片分割成两个尺寸为10cm×10cm的图片,作为候选图。
需要说明的是,至少两个的候选图可以是指两个或者两个以上候选图,具体本申请不做限定。
具体地,服务器基于大数据技术,采集当前网络上未被审核的图片,比如线上测试图片,作为待识别图片;获取预设的图片分割文件,根据预设的图片分割文件,对待识别图片进行分割处理,得到符合要求的候选图,作为最终得到的至少两个的候选图;其中,图片分割文件是一种能够根据待识别图片的高宽比例,自动对待识别图片进行分割,以得到待识别图片的至少两个候选图的算法文件。这样,通过将待识别图片分割成至少两个候选图,有利于放大待识别图片的局部区域,从而增大了待识别图片的局部区域的分辨率,避免遗漏待识别图片的局部信息,使得后续的图片识别更加准确,从而提高了图片的识别准确率。
进一步地,在得到至少两个候选图之后,服务器还可以对候选图做进一步的预处理,比如将候选图进行去噪处理、对比度增强处理、分辨率增强处理等;具体地,服务器将候选图进行图像超分辨率重建处理,得到候选图的重建图片;重建图片的分辨率高于候选图的分辨率;其中,图像超分辨率重建处理是指将低分辨率图片,通过重建处理,得到对应的高分辨率图片;重建图片是指候选图对应的高分辨率图片。
在一个实施例中,服务器还可以从本地缓存的图片中,提取出待识别图片;对待识别图片进行分割处理,得到至少两个的候选图;对候选图进行去噪处理、对比度增强处理、分辨率增强处理等,得到最终的候选图;方便后续根据分辨率更高的候选图确定对待识别图片的图片识别结果,进一步提高了图片的识别准确率。
在另一个实施例中,终端通过响应审核人员在终端的图片审核页面上的图片选择操作,获取审核人员选择的待识别图片,并生成图片识别请求,将生成的图片识别请求发送至对应的服务器;服务器对图片识别请求进行解析,得到待识别图片,并对待识别图片进行分割处理,得到至少两个的候选图。
S304,提取各个候选图的目标特征图;目标特征图为候选图的目标图像特征对应的特征图。
其中,候选图的目标图像特征用于表示候选图中与设定图像特征对应的图像特征,设定图像特征是指不良图像特征,比如性感图像特征、人体隐私部位图像特征等。
其中,特征图是指由候选图中提取出的图像特征所构成的图像;目标特征图是指由候选图中提取出的目标图像特征所构成的图像,具体是指对候选图中的不良图像具有高阶响应的特征图。
具体地,服务器提取候选图中的特征图,将候选图中的特征图与设定图像特征的特征图进行匹配,比如将候选图中的特征图与性感图像特征或者人体隐私部位图像特征的特征图进行匹配;若匹配成功,则将该特征图识别为目标特征图,从而得到各个候选图中的目标特征图。这样,通过对候选图中的特征图进行筛选,可以得到有效的特征图,并将其作为目标特征图,从而使得提取的目标特征图更加准确,进一步提高了候选图的目标特征图的提取准确率;同时,避免了多余特征图对图片识别结果的干扰,使得后续的图片识别更加准确,进一步提高了图片的识别准确率。
举例说明,服务器分别计算候选图中的特征图与设定图像特征的特征图之间的匹配度,若该匹配度大于预设匹配度,比如85%,则将该特征图识别为目标特征图,从而得到各个候选图的目标特征图。
进一步地,服务器还可以获取预设的目标特征图提取文件,根据预设的目标特征图提取文件,提取各个候选图的目标特征图;其中,预设的目标特征图提取文件是一种能够自动提取候选图中的目标特征图的算法文件。
此外,服务器还可以分别将各个候选图输入预先训练的神经网络模型,得到各个候选图的目标特征图;预先训练的神经网络模型用于提取各个候选图的目标特征图。这样,通过提取各个候选图的目标特征图,能够有效地筛选和结合候选图的图像特征,从而减少了待识别图片的小区域信息的损失,进一步提高了图片的识别准确率。
S306,根据各个候选图的目标特征图,得到各个候选图在至少两个图片识别维度下的识别分数。
其中,图片识别维度是指用于确定候选图的图片类型的分类角度,与图片类型存在一一对应的关系;比如,就不良图片而言,图片识别维度可以是指正常、性感、隐私部位等。需要说明的是,至少两个图片识别维度是指两个或者两个以上图片识别维度,具体本申请不做限定。
其中,候选图在图片识别维度下的识别分数,用于衡量候选图是否属于该图片识别维度所对应的图片类型;比如,候选图在图片识别维度下的识别分数大于或者等于预设分数,则确定候选图属于该图片识别维度所对应的图片类型。
具体地,服务器对候选图的目标特征图进行全连接处理,得到候选图在至少两个图片识别维度下的识别分数,进而得到各个候选图在至少两个图片识别维度下的识别分数。这样,通过获取各个候选图在至少两个图片识别维度下的识别分数,有利于后续从多个图片识别维度对待识别图片进行判别,从而降低了图片的识别难度,有利于实现图片的精准识别,进而提高了图片的识别准确率。
进一步地,服务器还可以分别将各个候选图的目标特征图输入预先训练的识别分数统计模型中,得到各个候选图在至少两个图片识别维度下的识别分数;其中,预先训练的识别分数统计模型可以基于各个候选图的目标特征图,统计各个候选图在至少两个图片识别维度下的识别分数。
S308,根据各个候选图在至少两个图片识别维度下的识别分数,确定待识别图片的目标分数。
其中,待识别图片的目标分数用于衡量待识别图片是否符合要求,具体是指各个候选图在至少两个图片识别维度下的识别分数中的最大值。
具体地,服务器将各个候选图在至少两个图片识别维度下的识别分数中的最大值,作为待识别图片的目标分数。这样,有利于后续根据待识别图片的目标分数,确定对待识别图片的图片识别结果,无需通过人工对图片进行审核,从而降低了人工审核成本,进一步提高了图片识别效率。
S310,根据目标分数确定对待识别图片的图片识别结果。
其中,对待识别图片的图片识别结果是指对待识别图片的审核结果,比如待识别图片符合要求或者不符合要求、属于不良图片或者不属于不良图片;还可以是指待识别图片的图片类型。
具体地,服务器获取与待识别图片的目标分数对应的审核结果,作为对待识别图片的图片识别结果;比如,若待识别图片的目标分数大于或等于预设分数,则对应的审核结果为图片不符合要求。这样,实现了实时确定对待识别图片的图片识别结果的目的,无需通过人工对图片进行审核,从而提高了图片识别效率。
进一步地,服务器还可以将目标分数对应的图片识别维度,作为对待识别图片的图片识别结果。
在一个实施例中,在根据目标分数确定对待识别图片的图片识别结果之后,服务器还可以根据对待识别图片的图片识别结果,确定不符合要求的图片,比如不良图片;将不符合要求的图片进行过滤处理,从而得到有效的图片。这样,通过获取对待识别图片的图片识别结果,有利于对不符合要求的图片进行过滤,从而保证了图片质量。
在一个实施例中,在根据目标分数确定对待识别图片的图片识别结果之后,服务器还可以接收终端发送的图片识别请求;对图片识别请求进行解析,得到图片标识;从预先存储的对待识别图片的图片识别结果中,确定与图片标识对应的待识别图片的图片识别结果,并将该图片识别结果推送至对应的终端;这样,有利于终端对应的用户对图片识别结果进行查看,以确定图片是否符合要求,进而做进一步的其它操作;避免了通过人工对图片进行审核,导致过程比较繁琐的缺陷,从而节省了大量的人工审核成本,进一步提高了图片识别效率。
上述图片识别方法,通过提取的待识别图片的至少两个候选图的目标特征图,确定各个候选图在至少两个图片识别维度下的识别分数,进而确定待识别图片的目标分数,并根据待识别图片的目标分数确定对待识别图片的图片识别结果;实现了根据待识别图片的至少两个候选图,实时得到对待识别图片的图片识别结果的目的;综合考虑待识别图片的多个候选图,有利于增大待识别图片的局部区域的分辨率,避免遗漏待识别图片的局部信息,使得图片的识别更加准确,从而提高了图片的识别准确率;同时,通过提取各个候选图的目标特征图,能够有效地筛选和结合候选图的图像特征,从而减少了待识别图片的小区域信息的损失,进一步提高了图片的识别准确率;此外,通过得到的各个候选图在至少两个图片识别维度下的识别分数,确定对待识别图片的图片识别结果,有利于从多个图片识别维度对待识别图片进行判别,从而降低了图片的识别难度,有利于实现图片的精准识别,进而提高了图片的识别准确率。此外,无需通过人工对图片进行审核,从而降低了人工审核成本,进一步提高了图片识别效率;同时通过获取对待识别图片的图片识别结果,有利于对不符合要求的图片进行过滤,从而保证了图片质量。
如图4所示,在一个实施例中,步骤S302中对待识别图片进行分割处理,得到至少两个的候选图,具体包括如下步骤:
S402,获取待识别图片的高宽比例。
其中,待识别图片的高宽比例是指待识别图片的高与宽的比例;比如待识别图片的尺寸为20cm×10cm,则待识别图片的高宽比例为2。
具体地,服务器获取待识别图片的尺寸,根据待识别图片的尺寸,确定待识别图片的高宽比例。
S404,根据待识别图片的高宽比例,确定待识别图片的候选图分割参数。
其中,候选图分割参数是指对待识别图片进行分割所需要确定的参数,比如分割顺序,分割数量等。
具体地,服务器根据待识别图片的高宽比例,查询预设的高宽比例与候选图分割参数的对应关系,得到与待识别图片的高宽比例对应的候选图分割参数,作为待识别图片的候选图分割参数。
进一步地,服务器还可以根据待识别图片的高宽比例所属的比例范围,获取与该比例范围对应的候选图分割参数,作为待识别图片的候选图分割参数。
S406,根据待识别图片的候选图分割参数,对待识别图片进行分割处理,得到至少两个的候选图。
在本实施例中,通过将待识别图片分割成至少两个候选图,有利于放大待识别图片的局部区域,从而增大了待识别图片的局部区域的分辨率,避免遗漏待识别图片的局部信息,使得后续的图片识别更加准确,从而提高了图片的识别准确率。
在一个实施例中,步骤S404中根据待识别图片的高宽比例,确定待识别图片的候选图分割参数,具体包括:根据待识别图片的高宽比例,确定正方形剪切框的边长以及分割顺序,作为待识别图片的候选图分割参数。
其中,正方形剪切框的边长用于确定从待识别图片分割出的候选图的大小,以将待识别图片调整成固定大小的候选图,具体是指待识别图片的高和宽中的短边;分割顺序是指对待识别图片进行分割的顺序,比如按照从上到下对待识别图片进行分割的顺序,按照从左中右对待识别图片进行分割的顺序等。
具体地,服务器根据待识别图片的高宽比例,查询预设的高宽比例与正方形剪切框的边长的对应关系,以及预设的高宽比例与分割顺序的对应关系,确定正方形剪切框的边长以及分割顺序,作为待识别图片的候选图分割参数。
在一个实施例中,步骤S406中根据待识别图片的候选图分割参数,对待识别图片进行分割处理,得到至少两个的候选图,具体包括:控制正方形剪切框,按照分割顺序对待识别图片进行分割处理,得到至少两个的候选图。
举例说明,服务器控制正方形剪切框,按照从上至下依次分割的顺序,对待识别图片进行分割处理,得到多个候选图,作为最终得到的至少两个的候选图。
在本实施例中,通过控制正方形剪切框,按照分割顺序对待识别图片进行分割处理,可以得到至少两个候选图,以尽可能地放大待识别图片的局部区域,从而增大了待识别图片的局部区域的分辨率,有利于覆盖待识别图片的局部信息;避免了基于短边剪切中心位置的方法有较大概率错过待识别图片的敏感区域,从而导致待识别图片的局部信息遗漏的缺陷,同时避免了基于全图调整图像尺寸的方法会减小不良内容区域的面积,使得本来就难以识别到的不良小区域信息有更大概率遗漏的缺陷;使得后续的图片识别更加准确,从而提高了图片的识别准确率。
如图5所示,在一个实施例中,根据待识别图片的高宽比例,确定正方形剪切框的边长以及分割顺序,具体包括如下步骤:
S502,若待识别图片的高宽比例大于第一预设比例,则以待识别图片的宽作为正方形剪切框的边长,以从上到下依次分割的顺序或者从下到上依次分割的顺序作为分割顺序。
其中,第一预设比例可以根据实际情况进行调整,具体本申请不做限定。
举例说明,若待识别图片的尺寸为60cm×10cm,高宽比例为6,第一预设比例为5,则说明待识别图片的高宽比例大于第一预设比例,且待识别图片为长图;那么正方形剪切框的边长为待识别图片的宽,即正方形剪切框的边长为10cm,分割顺序为从上到下依次分割的顺序或者从下到上依次分割的顺序;那么服务器控制边长为10cm的正方形剪切框,按照从上到下依次分割的顺序或者从下到上依次分割的顺序,对尺寸为60cm×10cm的待识别图片进行分割,可以得到6个尺寸为10cm×10cm的候选图。
S504,若待识别图片的高宽比例大于第二预设比例且小于或等于第一预设比例,则以待识别图片的宽作为正方形剪切框的边长,以从上中下分别分割的顺序或者从下中上分别分割的顺序作为分割顺序。
其中,第二预设比例也可以根据实际情况进行调整,具体本申请不做限定。
举例说明,若待识别图片的尺寸为50cm×10cm,高宽比例为5,第一预设比例为5,第二预设比例为1,则说明待识别图片的高宽比例大于第二预设比例且等于第一预设比例,且待识别图片为长图;那么正方形剪切框的边长为待识别图片的宽,即正方形剪切框的边长为10cm,分割顺序为从上中下分别分割的顺序或者从下中上分别分割的顺序作为分割顺序;那么服务器控制边长为10cm的正方形剪切框,按照从上中下分别分割的顺序或者从下中上分别分割的顺序作为分割顺序,对尺寸为50cm×10cm的待识别图片进行分割,可以得到最上面的一个尺寸为10cm×10cm的候选图,最中间的一个尺寸为10cm×10cm的候选图以及最下面的一个尺寸为10cm×10cm的候选图,即最终得到3个尺寸为10cm×10cm的候选图。
S506,若待识别图片的高宽比例小于或等于第二预设比例,则以待识别图片的高作为正方形剪切框的边长,以从左中右分别分割的顺序或者从右中左分别分割的顺序作为分割顺序。
举例说明,若待识别图片的尺寸为10cm×50cm,高宽比例为0.2,第二预设比例为1,则说明待识别图片的高宽比例小于第二预设比例,且待识别图片为横图;那么正方形剪切框的边长为待识别图片的高,即正方形剪切框的边长为10cm,分割顺序为从左中右分别分割的顺序或者从右中左分别分割的顺序作为分割顺序;那么服务器控制边长为10cm的正方形剪切框,按照从左中右分别分割的顺序或者从右中左分别分割的顺序作为分割顺序,对尺寸为10cm×50cm的待识别图片进行分割,可以得到最左边的一个尺寸为10cm×10cm的候选图,最中间的一个尺寸为10cm×10cm的候选图以及最右边的一个尺寸为10cm×10cm的候选图,即最终得到3个尺寸为10cm×10cm的候选图。
在本实施例中,根据待识别图片的高宽比例,确定正方形剪切框的边长以及分割顺序,有利于后续控制正方形剪切框,按照分割顺序对待识别图片进行分割处理,得到至少两个的候选图,以放大待识别图片的局部区域,从而增大了待识别图片的局部区域的分辨率,避免遗漏待识别图片的局部信息,使得后续的图片识别更加准确,从而提高了图片的识别准确率。
在一个实施例中,步骤S302中,在对待识别图片进行分割处理,得到多个候选图之后,还包括:分别对多个候选图中的各个像素点的像素值进行归一化处理,得到各个归一化处理后的候选图。
具体地,服务器分别将多个候选图中的各个像素点的像素值拉伸到属于[0,1]的数值,以对多个候选图中的各个像素点的像素值进行归一化处理,从而得到各个归一化处理后的候选图,便于后续对候选图进行图像特征提取。
如图6所示,在一个实施例中,步骤S304中提取各个候选图的目标特征图,具体包括如下步骤:
S602,获取各个候选图的关键特征图候选集;关键特征图候选集包括多个关键特征图,关键特征图为候选图的图像特征对应的特征图。
其中,关键特征图是指由候选图中初步提取出的与不良图像特征对应的图像特征所构成的图像,具体是指通过ResNet(Residual Network,残差网络)模型输出的对候选图中的不良图像具有响应的特征图。
具体地,服务器提取各个候选图的关键特征图,根据各个候选图的关键特征图,构建各个候选图的关键特征图候选集。
S604,根据各个候选图的关键特征图候选集,确定各个候选图的目标特征图。
具体地,服务器分别对各个候选图的关键特征图候选集中包含的关键特征图进行卷积池化处理,可以得到各个候选图的目标特征图。
在本实施例中,服务器通过获取的各个候选图的关键特征图候选集,确定各个候选图的目标特征图,能够有效地筛选和结合候选图的图像特征,从而减少了待识别图片的小区域信息的损失,使得后续的图片识别更加准确,进一步提高了图片的识别准确率。
如图7所示,在一个实施例中,步骤S602中获取各个候选图的关键特征图候选集,包括:
S702,分别将各个候选图输入预先训练的特征提取模型中,得到各个候选图的关键特征图;预先训练的特征提取模型用于提取各个候选图的关键特征图。
其中,预先训练的特征提取模型是指能够从候选图中提取出关键特征图的神经网络模型,具体是指借助于大量网络不良图片数据训练得到的具有较强泛化能力的卷积神经网络模型,可以是指ResNet模型,也可以是指其他能够从候选图中提取出关键特征图的神经网络模型。
具体地,服务器分别将各个候选图输入预先训练的特征提取模型中,通过预先训练的特征提取模型对各个候选图进行特征提取,得到各个候选图的关键特征图。
S704,分别根据各个候选图的关键特征图,构建各个候选图的关键特征图候选集。
在本实施例中,通过将各个候选图输入预先训练的特征提取模型中,有利于从候选图中提取出对不良图像具有响应的关键特征图,从而避免了多余图像特征的干扰,以及基于肤色类的图片识别方法中的过拟合缺陷,进而得到了有效的图像特征,有利于后续对待识别图片进行精准识别,从而提高了图片的识别准确率。
如图8所示,在一个实施例中,预先训练的特征提取模型通过下述方式训练得到:
S802,根据预设的图片数据库对特征提取模型进行预训练,得到预训练后的特征提取模型;预设的图片数据库中存储有多个旋转预处理以及分割预处理后的图片。
其中,预设的图片数据库是指ImageNet数据库。旋转预处理以及分割预处理后的图片,是指将图片进行旋转之后,再进行随机剪切后得到的图片。
具体地,服务器根据预设的图片数据库中存储的多个旋转预处理以及分割预处理后的图片,对特征提取模型进行预训练,能够使得预训练后的特征提取模型得到一些比较好的网络参数;同时增强了预训练后的特征提取模型的鲁棒性以及对横图的识别效果。
S804,采集旋转预处理以及分割预处理后的样本图片以及对应的实际关键特征图。
其中,样本图片是指网络上的不良图片,比如性感图片、隐私部位图片等。
具体地,服务器基于大数据技术,采集网络上的不良图片,作为样本图片,并对样本图片进行旋转预处理;对旋转预处理后的样本图片进行分割预处理,比如随机剪切,并对分割预处理后的样本图片进行人工分析计算,得到样本图片对应的实际关键特征图。
举例说明,服务器可以按照不同概率对样本图片进行旋转预处理;比如按照概率(1-p)/2,将样本图片顺时针旋转90度,可以得到顺时针旋转90度后的样本图片;按照概率p,不对样本图片进行旋转预处理,可以得到样本图片的原图;按照概率(1-p)/2,将样本图片逆时针旋转90度,可以得到逆时针旋转90度后的样本图片;其中,p为自定义概率,可以根据实际情况进行调整,具体本申请不做限定。这样,通过采集旋转预处理以及分割预处理后的样本图片,可以增加样本图片中不同方向图的比例,有利于增强后续训练得到的特征提取模型的鲁棒性以及对旋转图的识别效果,同时避免了旋转图引起的图片识别准确率下降的缺陷,从而使得后续对待识别图片的识别更加准确,进一步提高了图片的识别准确率。
S806,根据旋转预处理以及分割预处理后的样本图片对预训练后的特征提取模型进行再次训练,得到训练后的特征提取模型。
S808,获取训练后的特征提取模型输出的关键特征图与对应的实际关键特征图之间的误差。
S810,当误差大于或等于预设阈值时,根据误差调整特征提取模型的网络参数,得到调整后的特征提取模型,并对调整后的特征提取模型进行反复训练,直至根据训练后的特征提取模型得到的误差小于预设阈值。
具体地,在误差大于或等于预设阈值的情况下,服务器不断调整特征提取模型中的网络参数,以对特征提取模型进行反复训练,直至根据训练后的特征提取模型得到的误差小于预设阈值,将当前的特征提取模型作为训练后的特征提取模型,从而得到预先训练的特征提取模型。
在本实施例中,通过网络上的大量样本图片,对特征提取模型进行反复训练,可以增强训练后的特征提取模型的泛化能力,以及克服了基于肤色的图片识别方法中存在的过拟合问题;同时通过对样本图片进行旋转预处理,有利于增强后续训练得到的特征提取模型的鲁棒性以及对旋转图的识别效果,同时避免了旋转图引起的图片识别准确率下降的缺陷,从而使得后续对待识别图片的识别更加准确,进一步提高了图片的识别准确率。此外,通过训练得到的特征提取模型,有利于后续对线上测试图片的实时识别。
在一个实施例中,步骤S604中根据各个候选图的关键特征图候选集,确定各个候选图的目标特征图,具体包括:分别从各个候选图的关键特征图候选集中,提取出各个候选图的关键特征图;分别将各个候选图的关键特征图输入预先训练的卷积池化模型中,得到各个候选图的目标特征图;卷积池化模型用于分别对各个候选图的关键特征图进行多次卷积池化处理,得到各个候选图的目标特征图。
其中,预先训练的卷积池化模型是指能够对候选图进行卷积池化处理的神经网络模型。
具体地,服务器将各个候选图的关键特征图候选集中的关键特征图输入预先训练的卷积池化模型中,通过卷积池化模型对各个候选图的关键特征图候选集中的关键特征图进行多次卷积池化处理,得到各个候选图的目标特征图;这样,能够有效地筛选和结合候选图的图像特征,从而减少了待识别图片的小区域信息的损失,进一步提高了图片的识别准确率。
举例说明,考虑到大多数传统的池化层都会损失小区域信息而造成对不良内容的识别遗漏,为了减少待识别图片的小区域信息的损失,可以采用大小为NxMx7x7的卷积池化层来代替传统池化层进行图像特征的选择和降维;其中,N是指卷积池化层中卷积核的个数,也是指卷积池化层输出的目标特征图的通道数目;M是指上述特征提取模型(比如ResNet模型)输出的关键特征图的通道数目,也是指卷积池化层中卷积核的深度;7x7是指卷积核的大小,即卷积核是一个7x7的矩阵。需要说明的是,卷积池化层还可以是其他结构,具体本申请不做限定。
比如,服务器将各个候选图的关键特征图候选集中的关键特征图输入到NxMx7x7的卷积池化层中,通过NxMx7x7的卷积池化层中的卷积核,对各个候选图的关键特征图进行图像特征的选择和降维,可以得到各个候选图的目标特征图。
如图9所示,在一个实施例中,步骤S306中根据各个候选图的目标特征图,得到各个候选图在至少两个图片识别维度下的识别分数,具体包括如下步骤:
S902,获取预设的至少两个图片识别维度下的卷积核;卷积核的大小与目标特征图的大小一致,卷积核的深度与目标特征图的数目一致。
其中,卷积核的大小与目标特征图的大小一致,是指卷积核对应的矩阵大小,与目标特征图对应的矩阵大小一致;比如目标特征图是一个7x7的矩阵,那么卷积核也是一个7x7的矩阵。
S904,分别根据预设的至少两个图片识别维度下的卷积核,对各个候选图的目标特征图进行卷积处理,得到各个候选图在至少两个图片识别维度下的识别分数。
举例说明,若有14个图片识别维度,比如性感图片维度、隐私部位图片维度等;则服务器对各个候选图的目标特征图进行全连接处理,可以得到各个候选图在14个图片识别维度下的识别分数。
在本实施例中,通过获取各个候选图在至少两个图片识别维度下的识别分数,有利于后续从多个图片识别维度对待识别图片进行判别,从而降低了图片的识别难度,有利于实现图片的精准识别,进而提高了图片的识别准确率。
如图10所示,在一个实施例中,步骤S308中根据各个候选图在至少两个图片识别维度下的识别分数,确定待识别图片的目标分数,具体包括如下步骤:
S1002,分别从各个候选图在至少两个图片识别维度下的识别分数中,确定各个候选图的最大识别分数,作为各个候选图的目标分数。
S1004,从各个候选图的目标分数中,将最大的目标分数作为待识别图片的目标分数。
在本实施例中,从各个候选图的目标分数中,将最大的目标分数作为待识别图片的目标分数;便于后续根据待识别图片的目标分数,确定对待识别图片的图片识别结果,无需通过人工对图片进行审核,从而降低了人工审核成本,进一步提高了图片识别效率。
如图11所示,在一个实施例中,步骤S310中根据目标分数确定对待识别图片的图片识别结果,包括:
S1102,若目标分数大于或者等于预设分数,确定待识别图片不满足设定条件。
其中,预设分数是指根据训练数据或者测试数据得到的,满足一定精准度的阈值,可以根据实际情况进行调整。
其中,设定条件用于标识满足一定条件的待识别图片的图片识别结果,具体用于确定待识别图片是否符合要求,或者用于确定待识别图片是否为不良图片。
S1104,若目标分数小于预设分数,确定待识别图片满足设定条件。
具体地,若目标分数大于或者等于预设分数,说明待识别图片中存在不符合要求的候选图,说明待识别图片不满足设定条件,比如待识别图片为不良图片;若目标分数小于预设分数,说明待识别图片中不存在不符合要求的候选图,说明待识别图片满足设定条件,比如待识别图片为正常图片。
在本实施例中,根据目标分数确定对待识别图片的图片识别结果,无需通过人工对图片进行审核,从而节约了人工审核成本,进而提高了图片识别效率。
如图12所示,在一个实施例中,上述步骤S1104中,在确定待识别图片不满足设定条件之后,还包括确定待识别图片的图片标签的步骤,具体包括如下步骤:
S1202,从各个候选图在至少两个图片识别维度下的识别分数中,筛选出大于或等于预设分数的识别分数。
S1204,将大于或等于预设分数的识别分数所对应的图片识别维度,作为待识别图片的图片标签。
其中,待识别图片的图片标签用于标识待识别图片的关键信息。
举例说明,假设有3个候选图,分别是候选图A、候选图B和候选图C,以及4个图片识别维度,分别是图片识别维度a、图片识别维度b、图片识别维度c和图片识别维度d;候选图A在图片识别维度a、图片识别维度b、图片识别维度c和图片识别维度d下的识别分数,分别为40、30、20、10;候选图B在图片识别维度a、图片识别维度b、图片识别维度c和图片识别维度d下的识别分数,分别为10、20、30、40;候选图C在图片识别维度a、图片识别维度b、图片识别维度c和图片识别维度d下的识别分数,分别为10、40、20、30;若预设分数为35,那么将图片识别维度a、图片识别维度b以及图片识别维度d对应的图片类型,作为待识别图片的图片标签。
本实施例中,通过将大于或等于预设分数的识别分数所对应的图片识别维度,作为待识别图片的图片标签,有利于准确地标识待识别图片的关键信息。
如图13所示,在一个实施例中,本申请的图片识别方法还包括存储待识别图片的步骤,具体包括如下步骤:
S1302,从待识别图片的图片标签中,将待识别图片的目标分数对应的图片标签,作为待识别图片的图片类型。
具体地,服务器从待识别图片的图片标签中,筛选出目标分数对应的图片标签,作为待识别图片的图片类型。
S1304,获取待识别图片的图片标识,将待识别图片按照图片标识存储至预设数据库中;预设数据库中存储的待识别图片中携带有图片标签以及图片类型。
其中,图片标识是指用于标识待识别图片的标识信息,比如图片编号、图片名称等。
具体地,服务器获取待识别图片的图片名称,并将图片名称作为待识别图片的图片标识;将待识别图片按照图片标识存储至Redis数据库中,以通过Redis数据库存储多个待识别图片以及待识别图片对应的图片标签、图片类型。当然,服务器还可以采用其他缓存方式将待识别图片进行存储。
此外,服务器还可以为待识别图片分配对应的图片编号,比如1、2、3等,并将图片编号作为待识别图片的图片标识。
进一步地,在将待识别图片按照图片标识存储至预设数据库中之后,在用户发起图片识别请求时,服务器还可以从预设数据库中提取出相应的图片标签以及图片类型,并将该图片标签以及图片类型推送至对应的用户,方便用户进行查看。
本实施例中,实现了将待识别图片的图片类型以及图片标签进行存储的目的,便于后续根据用户发起的图片识别请求,准确地、实时地将对应的图片标签以及图片类型推送至对应的用户,无需通过人工审核图片,从而降低了人工审核成本,进而提高了图片识别效率。
在一个实施例中,本申请还提供了另一种图片识别方法,该图片识别方法可以应用于如图14所示的应用环境图中。参照图14,该图片识别方法应用于图片审核系统。该图片审核系统包括用户终端1410和服务器1420;用户终端1410与服务器1420通过网络连接。用户终端具体可以是台式终端或者移动终端,移动终端具体可以是手机、平板电脑、笔记本电脑等中的至少一种。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图15所示,在一个实施例中,提供了另一种图片识别方法。本实施例主要以该方法应用于上述图14中的服务器1420来举例说明。参照图15,该图片识别方法具体包括如下步骤:
S1502,接收终端发送的图片识别请求;图片识别请求中携带有图片标识。
具体地,终端通过响应审核人员在终端的图片审核页面上的图片选择操作,获取审核人员选择的待识别图片的图片标识,并根据待识别图片的图片标识生成图片识别请求,将生成的图片识别请求发送至对应的服务器;服务器对图片识别请求进行解析,得到待识别图片的图片标识。
举例说明,如图16所示,用户在终端的图片审核界面上选择需要审核的图片,比如线上测试图片,并点击审核按钮,触发终端基于用户已选择的图片,生成图片识别请求,并将该图片识别请求发送至对应的服务器。
此外,审核人员还可以通过登录终端中运行的浏览器,进入图片审核页面,通过图片审核页面对线上测试图片进行选择操作,触发生成图片识别请求,并通过终端将图片识别请求发送至对应的服务器,以触发服务器根据图片识别请求,得到线上测试图片的图片标识。
S1504,从预设数据库中获取与图片标识对应的图片。
其中,预设数据库中存储了多个图片的图片类型以及图片标签。
具体地,服务器根据图片标识查询预设数据库,从预设数据库中确定与图片标识对应的图片,从而获取与该图片对应的图片类型以及图片标签。
此外,若在预设数据库中没有获取到与图片标识对应的图片,说明预设数据库中没有存储该图片标识对应的图片,则通过服务器获取图片标识对应的图片,根据图片标识对应的图片,实时确定该图片对应的图片类型以及图片标签。
需要说明的是,服务器除了可以从预设数据库中获取与图片标识对应的图片的图片类型以及图片标签,还可以实时确定图片标识对应的图片的图片类型以及图片标签。
例如,服务器获取与图片标识对应的图片,对图片进行分割处理,得到至少两个的候选图;提取各个候选图的目标特征图;目标特征图为候选图的目标图像特征对应的特征图;根据各个候选图的目标特征图,得到各个候选图在至少两个图片识别维度下的识别分数;根据各个候选图在至少两个图片识别维度下的识别分数,确定图片的目标分数;从各个候选图在至少两个图片识别维度下的识别分数中,筛选出大于或等于预设分数的识别分数;将大于或等于预设分数的识别分数所对应的图片识别维度,作为图片的图片标签;从图片的图片标签中,将图片的目标分数对应的图片标签,作为图片的图片类型;从而得到图片的图片类型以及图片标签。
S1506,将图片对应的图片类型以及图片标签推送至终端。
具体地,服务器将图片对应的图片类型以及图片标签作为图片识别结果,推送至对应的终端,以通过终端的图片审核界面展示图片对应的图片类型以及图片标签,方便用户查看图片是否符合要求。
请参照图16,以图片审核应用程序为例进行说明。用户终端安装有图片审核应用程序,假设用户在图片审核应用程序上的图片审核界面上选择图片A,并点击审核按钮,即可触发图片识别请求,并通过终端将该图片识别请求发送至对应的服务器。服务器根据图片识别请求,从预设数据库中获取图片A的图片类型以及图片标签,或者实时确定图片A的图片类型以及图片标签(具体参见本申请上述图片识别方法的实施例),并将图片A的图片类型以及图片标签推送至图片审核应用程序,以通过该图片审核应用程序的图片审核界面展示图片A的图片类型以及图片标签。
需要说明的是,本申请的图片识别方法除了应用于上述图片审核场景外,还可以应用于其他场景中,具体本申请不做限定。
在本实施例中,实现了根据图片识别请求,实时将相应的图片的图片类型以及图片标签推送至对应的用户的目的,无需通过人工对图片进行审核,从而提高了图片识别效率,同时节约了人工审核成本。
如图17所示,在一个实施例中,提供了又一种图片识别方法。本实施例主要以该方法应用于上述图14中的服务器1420来举例说明。参照图17,该图片识别方法具体包括如下步骤:
S1702,接收终端发送的图片识别请求;图片识别请求中携带有待识别图片。
S1704,对待识别图片进行分割处理,得到至少两个的候选图。
具体地,服务器获取待识别图片的高宽比例;根据待识别图片的高宽比例,确定待识别图片的候选图分割参数;根据待识别图片的候选图分割参数,对待识别图片进行分割处理,得到至少两个的候选图。
S1706,分别对多个候选图中的各个像素点的像素值进行归一化处理,得到各个归一化处理后的候选图。
S1708,分别将各个候选图输入预先训练的特征提取模型中,得到各个候选图的关键特征图;预先训练的特征提取模型用于提取各个候选图的关键特征图;分别根据各个候选图的关键特征图,构建各个候选图的关键特征图候选集。
S1710,分别从各个候选图的关键特征图候选集中,提取出各个候选图的关键特征图;分别将各个候选图的关键特征图输入预先训练的卷积池化模型中,得到各个候选图的目标特征图;卷积池化模型用于分别对各个候选图的关键特征图进行多次卷积池化处理,得到各个候选图的目标特征图。
S1712,根据各个候选图的目标特征图,得到各个候选图在至少两个图片识别维度下的识别分数。
具体地,服务器获取预设的至少两个图片识别维度下的卷积核;卷积核的大小与目标特征图的大小一致,卷积核的深度与目标特征图的数目一致;分别根据预设的至少两个图片识别维度下的卷积核,对各个候选图的目标特征图进行卷积处理,得到各个候选图在至少两个图片识别维度下的识别分数。
S1714,根据各个候选图在至少两个图片识别维度下的识别分数,确定待识别图片的目标分数。
具体地,服务器分别从各个候选图在至少两个图片识别维度下的识别分数中,确定各个候选图的最大识别分数,作为各个候选图的目标分数;从各个候选图的目标分数中,将最大的目标分数作为待识别图片的目标分数。
S1716,根据目标分数确定对待识别图片的图片识别结果。
具体地,若目标分数大于或者等于预设分数,则确定待识别图片不满足设定条件;从各个候选图在至少两个图片识别维度下的识别分数中,筛选出大于或等于预设分数的识别分数;将大于或等于预设分数的识别分数所对应的图片识别维度,作为待识别图片的图片标签。
进一步地,服务器还可以从待识别图片的图片标签中,将待识别图片的目标分数对应的图片标签,作为待识别图片的图片类型,从而得到对待识别图片的图片识别结果。
S1718,将待识别图片的图片识别结果推送至对应的终端。
在本实施例中,实现了根据待识别图片的至少两个候选图,实时得到待识别图片的图片识别结果的目的;综合考虑待识别图片的多个候选图,有利于增大待识别图片的局部区域的分辨率,避免遗漏待识别图片的局部信息,使得图片的识别更加准确,从而提高了图片的识别准确率;同时,通过提取各个候选图的目标特征图,能够有效地筛选和结合候选图的图像特征,从而减少了待识别图片的小区域信息的损失,进一步提高了图片的识别准确率;此外,通过得到的各个候选图在至少两个图片识别维度下的识别分数,确定对待识别图片的图片识别结果,有利于从多个图片识别维度对待识别图片进行判别,从而降低了图片的识别难度,有利于实现图片的精准识别,进而提高了图片的识别准确率。此外,无需通过人工对图片进行审核,从而大大降低了人工审核成本,进一步提高了图片识别效率;同时通过获取对待识别图片的图片识别结果,有利于对不符合要求的图片进行过滤,从而保证了图片质量。
如图18所示,图18为一个实施例中的线上测试图片识别方法的流程示意图。在一个实施例中,提供了一种线上测试图片识别方法,本实施例主要以该方法应用于上述图14中的服务器1420来举例说明。其中,模型主体结构具体是指ResNet模型。
参照图18,该线上测试图片识别方法具体包括如下内容:服务器获取人工收集的网络不良图片,将网络不良图片进行旋转预处理,得到旋转预处理的网络不良图片,将旋转预处理的网络不良图片输入模型主体结构中,通过模型主体结构输出对图片不良内容具有响应的关键特征图;将对图片不良内容具有响应的关键特征图输入卷积池化层中,通过卷积池化层输出对图片不良内容具有高阶响应的目标特征图,并与网络不良图片的实际目标特征图进行对比,得到对比误差,通过对比误差调整模型主体结构以及卷积池化层的网络参数,并再对模型主体结构以及卷积池化层进行训练;不断重复此过程,以得到训练后的模型主体结构以及卷积池化层。例如,首先在ImageNet数据集预训练模型,对ImageNet数据进行了随机剪切和水平翻转的预处理,并使用0.2的初始学习率,256的批大小以及RMSprop优化方式和交叉熵损失函数,训练300000轮后结束;再把ImageNet预训练模型在公开数据集的色情数据上进行进一步的训练,并对色情数据进行了随机旋转,随机剪切,水平翻转的预处理,之后使用0.2的初始学习率,SGD优化方式,学习率预热,256的批大小,使用二元交叉熵损失训练250000轮,学习率最终下降到0.0002。
进一步地,在实时得到对线上测试图片的图片识别结果的过程中,服务器获取线上测试图片;对线上测试图片进行分割处理,得到至少两个的候选图;分别将各个候选图输入训练后的模型主体结构,通过模型主体结构输出对线上测试图片的不良内容具有响应的关键特征图;将对线上测试图片的不良内容具有响应的关键特征图输入卷积池化层中,通过卷积池化层输出对线上测试图片的不良内容具有高阶响应的目标特征图,从而得到各个候选图的目标特征图;根据各个候选图的目标特征图,得到各个候选图在至少两个图片识别维度下的识别分数;将各个候选图在至少两个图片识别维度下的识别分数中的最大值,作为待识别图片的目标分数,比如最大14分数;根据目标分数确定对线上测试图片的图片识别结果。例如,服务器将最大14分数与色情阈值进行比较,若最大14分数大于或者等于色情阈值,确定线上测试图片含有不良内容,即线上测试图片为不良图片;若最大14分数小于色情阈值,确定线上测试图片含有的图像内容均为正常内容,即线上测试图片为正常图片。
在本实施例中,实现了根据线上测试图片的至少两个候选图,实时得到线上测试图片的图片识别结果的目的;综合考虑线上测试图片的多个候选图,有利于增大线上测试图片的局部区域的分辨率,避免遗漏线上测试图片的局部信息,使得图片的识别更加准确,从而提高了图片的识别准确率;同时,通过提取各个候选图的目标特征图,能够有效地筛选和结合候选图的图像特征,从而减少了线上测试图片的小区域信息的损失,进一步提高了图片的识别准确率;此外,通过得到的各个候选图在至少两个图片识别维度下的识别分数,确定对待识别图片的图片识别结果,有利于从多个图片识别维度对线上测试图片进行判别,从而降低了图片的识别难度,有利于实现图片的精准识别,进而提高了图片的识别准确率。此外,无需通过人工对图片进行审核,从而降低了人工审核成本,进一步提高了图片识别效率;同时,通过获取对线上测试图片的图片识别结果,有利于对不符合要求的图片进行过滤,从而保证了图片质量。
应该理解的是,虽然图3-13、15、17的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图3-13、15、17中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图19所示,在一个实施例中,提供了一种图片识别装置1900,该装置1900包括:候选图分割模块1902,特征图提取模块1904,识别分数获取模块1906,目标分数确定模块1908以及图片识别模块1910,其中:
候选图分割模块1902,用于对待识别图片进行分割处理,得到至少两个的候选图。
特征图提取模块1904,用于提取各个候选图的目标特征图;目标特征图为候选图的目标图像特征对应的特征图。
识别分数获取模块1906,用于根据各个候选图的目标特征图,得到各个候选图在至少两个图片识别维度下的识别分数。
目标分数确定模块1908,用于根据各个候选图在至少两个图片识别维度下的识别分数,确定待识别图片的目标分数。
图片识别模块1910,用于根据目标分数确定对待识别图片的图片识别结果。
在一个实施例中,候选图分割模块1902还用于获取待识别图片的高宽比例;根据待识别图片的高宽比例,确定待识别图片的候选图分割参数;根据待识别图片的候选图分割参数,对待识别图片进行分割处理,得到至少两个的候选图。
在一个实施例中,候选图分割模块1902还用于根据待识别图片的高宽比例,确定正方形剪切框的边长以及分割顺序,作为待识别图片的候选图分割参数。
在一个实施例中,候选图分割模块1902还用于控制正方形剪切框,按照分割顺序对待识别图片进行分割处理,得到至少两个的候选图。
在一个实施例中,候选图分割模块1902还用于若待识别图片的高宽比例大于第一预设比例,则以待识别图片的宽作为正方形剪切框的边长,以从上到下依次分割的顺序或者从下到上依次分割的顺序作为分割顺序;若待识别图片的高宽比例大于第二预设比例且小于或等于第一预设比例,则以待识别图片的宽作为正方形剪切框的边长,以从上中下分别分割的顺序或者从下中上分别分割的顺序作为分割顺序;若待识别图片的高宽比例小于或等于第二预设比例,则以待识别图片的高作为正方形剪切框的边长,以从左中右分别分割的顺序或者从右中左分别分割的顺序作为分割顺序。
在一个实施例中,特征图提取模块1904还用于获取各个候选图的关键特征图候选集;关键特征图候选集包括多个关键特征图,关键特征图为候选图的图像特征对应的特征图;根据各个候选图的关键特征图候选集,确定各个候选图的目标特征图。
在一个实施例中,特征图提取模块1904还用于分别将各个候选图输入预先训练的特征提取模型中,得到各个候选图的关键特征图;预先训练的特征提取模型用于提取各个候选图的关键特征图;分别根据各个候选图的关键特征图,构建各个候选图的关键特征图候选集。
在一个实施例中,图片识别装置1900具体还包括:特征提取模型训练模块。
特征提取模型训练模块,用于根据预设的图片数据库对特征提取模型进行预训练,得到预训练后的特征提取模型;预设的图片数据库中存储有多个旋转预处理以及分割预处理后的图片;采集旋转预处理以及分割预处理后的样本图片以及对应的实际关键特征图;根据旋转预处理以及分割预处理后的样本图片对预训练后的特征提取模型进行再次训练,得到训练后的特征提取模型;获取训练后的特征提取模型输出的关键特征图与对应的实际关键特征图之间的误差;当误差大于或等于预设阈值时,根据误差调整特征提取模型的网络参数,得到调整后的特征提取模型,并对调整后的特征提取模型进行反复训练,直至根据训练后的特征提取模型得到的误差小于预设阈值。
在一个实施例中,特征图提取模块1904还用于分别从各个候选图的关键特征图候选集中,提取出各个候选图的关键特征图;分别将各个候选图的关键特征图输入预先训练的卷积池化模型中,得到各个候选图的目标特征图;卷积池化模型用于分别对各个候选图的关键特征图进行多次卷积池化处理,得到各个候选图的目标特征图。
在一个实施例中,识别分数获取模块1906还用于获取预设的至少两个图片识别维度下的卷积核;卷积核的大小与目标特征图的大小一致,卷积核的深度与目标特征图的数目一致;分别根据预设的至少两个图片识别维度下的卷积核,对各个候选图的目标特征图进行卷积处理,得到各个候选图在至少两个图片识别维度下的识别分数。
在一个实施例中,目标分数确定模块1908还用于分别从各个候选图在至少两个图片识别维度下的识别分数中,确定各个候选图的最大识别分数,作为各个候选图的目标分数;从各个候选图的目标分数中,将最大的目标分数作为待识别图片的目标分数。
在一个实施例中,图片识别装置1900具体还包括:候选图处理模块。
候选图处理模块,用于分别对多个候选图中的各个像素点的像素值进行归一化处理,得到各个归一化处理后的候选图。
在一个实施例中,图片识别模块1910还用于若目标分数大于或者等于预设分数,确定待识别图片不满足设定条件;若目标分数小于预设分数,确定待识别图片满足设定条件。
在一个实施例中,图片识别装置1900具体还包括:图片标签确定模块。
图片标签确定模块,用于从各个候选图在至少两个图片识别维度下的识别分数中,筛选出大于或等于预设分数的识别分数;将大于或等于预设分数的识别分数所对应的图片识别维度,作为待识别图片的图片标签。
在一个实施例中,图片识别装置1900具体还包括:图片存储模块。
图片存储模块,用于从待识别图片的图片标签中,将待识别图片的目标分数对应的图片标签,作为待识别图片的图片类型;获取待识别图片的图片标识,将待识别图片按照图片标识存储至预设数据库中;预设数据库中存储的待识别图片中携带有图片标签以及图片类型。
在一个实施例中,图片识别装置1900具体还包括:图片类型推送模块。
图片类型推送模块,用于接收终端发送的图片识别请求;图片识别请求中携带有图片标识;从预设数据库中获取与图片标识对应的图片;将图片对应的图片类型以及图片标签推送至终端。
在本实施例中,通过提取的待识别图片的至少两个候选图的目标特征图,确定各个候选图在至少两个图片识别维度下的识别分数,进而确定待识别图片的目标分数,并根据待识别图片的目标分数确定对待识别图片的图片识别结果;实现了根据待识别图片的至少两个候选图,实时得到待识别图片的图片识别结果的目的;综合考虑待识别图片的多个候选图,有利于增大待识别图片的局部区域的分辨率,避免遗漏待识别图片的局部信息,使得图片的识别更加准确,从而提高了图片的识别准确率;同时,通过提取各个候选图的目标特征图,能够有效地筛选和结合候选图的图像特征,从而减少了待识别图片的小区域信息的损失,进一步提高了图片的识别准确率;此外,通过得到的各个候选图在至少两个图片识别维度下的识别分数,确定对待识别图片的图片识别结果,有利于从多个图片识别维度对待识别图片进行判别,从而降低了图片的识别难度,有利于实现图片的精准识别,进而提高了图片的识别准确率。此外,无需通过人工对图片进行审核,从而大大降低了人工审核成本,进一步提高了图片识别效率;同时通过获取对待识别图片的图片识别结果,有利于对不符合要求的图片进行过滤,从而保证了图片质量。
在一个实施例中,本申请提供的图片识别装置可以实现为一种计算机程序的形式,计算机程序可在如图2所示的计算机设备上运行。计算机设备的存储器中可存储组成该图片识别装置的各个程序模块,比如,图19所示的候选图分割模块1902、特征图提取模块1904、识别分数获取模块1906、目标分数确定模块1908和图片识别模块1910。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的图片识别方法中的步骤。
例如,图2所示的计算机设备可以通过如图19所示的图片识别装置中的候选图分割模块1902对待识别图片进行分割处理,得到至少两个的候选图。计算机设备可通过特征图提取模块1904提取各个候选图的目标特征图;目标特征图为候选图的目标图像特征对应的特征图。计算机设备可通过识别分数获取模块1906根据各个候选图的目标特征图,得到各个候选图在至少两个图片识别维度下的识别分数。计算机设备可通过目标分数确定模块1908根据各个候选图在至少两个图片识别维度下的识别分数,确定待识别图片的目标分数,并通过图片识别模块1910根据目标分数确定对待识别图片的图片识别结果。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述图片识别方法的步骤。此处图片识别方法的步骤可以是上述各个实施例的图片识别方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述图片识别方法的步骤。此处图片识别方法的步骤可以是上述各个实施例的图片识别方法中的步骤。
本领域普通技术人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非易失性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,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种图片识别方法,包括:
对待识别图片进行分割处理,得到至少两个的候选图;
提取各个所述候选图的目标特征图;所述目标特征图为所述候选图的目标图像特征对应的特征图;
根据各个所述候选图的目标特征图,得到各个所述候选图在至少两个图片识别维度下的识别分数;
根据各个所述候选图在至少两个图片识别维度下的识别分数,确定所述待识别图片的目标分数;
根据所述目标分数确定对所述待识别图片的图片识别结果。
2.根据权利要求1所述的方法,其特征在于,所述对待识别图片进行分割处理,得到至少两个的候选图,包括:
获取所述待识别图片的高宽比例;
根据所述待识别图片的高宽比例,确定所述待识别图片的候选图分割参数;
根据所述待识别图片的候选图分割参数,对所述待识别图片进行分割处理,得到至少两个的候选图。
3.根据权利要求2所述的方法,其特征在于,所述根据所述待识别图片的高宽比例,确定所述待识别图片的候选图分割参数,包括:
根据所述待识别图片的高宽比例,确定正方形剪切框的边长以及分割顺序,作为所述待识别图片的候选图分割参数;
所述根据所述待识别图片的候选图分割参数,对所述待识别图片进行分割处理,得到至少两个的候选图,包括:
控制所述正方形剪切框,按照所述分割顺序对所述待识别图片进行分割处理,得到至少两个的候选图。
4.根据权利要求3所述的方法,其特征在于,所述根据所述待识别图片的高宽比例,确定正方形剪切框的边长以及分割顺序,包括:
若所述待识别图片的高宽比例大于第一预设比例,则以所述待识别图片的宽作为所述正方形剪切框的边长,以从上到下依次分割的顺序或者从下到上依次分割的顺序作为所述分割顺序;
若所述待识别图片的高宽比例大于第二预设比例且小于或等于所述第一预设比例,则以所述待识别图片的宽作为所述正方形剪切框的边长,以从上中下分别分割的顺序或者从下中上分别分割的顺序作为所述分割顺序;
若所述待识别图片的高宽比例小于或等于所述第二预设比例,则以所述待识别图片的高作为所述正方形剪切框的边长,以从左中右分别分割的顺序或者从右中左分别分割的顺序作为所述分割顺序。
5.根据权利要求1所述的方法,其特征在于,所述提取各个所述候选图的目标特征图,包括:
获取各个所述候选图的关键特征图候选集;所述关键特征图候选集包括多个关键特征图,所述关键特征图为所述候选图的图像特征对应的特征图;
根据各个所述候选图的关键特征图候选集,确定各个所述候选图的目标特征图。
6.根据权利要求5所述的方法,其特征在于,所述获取各个所述候选图的关键特征图候选集,包括:
分别将各个所述候选图输入预先训练的特征提取模型中,得到各个所述候选图的关键特征图;所述预先训练的特征提取模型用于提取各个所述候选图的关键特征图;
分别根据各个所述候选图的关键特征图,构建各个所述候选图的关键特征图候选集。
7.根据权利要求6所述的方法,其特征在于,所述预先训练的特征提取模型通过下述方式训练得到:
根据预设的图片数据库对特征提取模型进行预训练,得到预训练后的特征提取模型;所述预设的图片数据库中存储有多个旋转预处理以及分割预处理后的图片;
采集旋转预处理以及分割预处理后的样本图片以及对应的实际关键特征图;
根据所述旋转预处理以及分割预处理后的样本图片对所述预训练后的特征提取模型进行再次训练,得到训练后的特征提取模型;
获取所述训练后的特征提取模型输出的关键特征图与对应的实际关键特征图之间的误差;
当所述误差大于或等于预设阈值时,根据所述误差调整所述特征提取模型的网络参数,得到调整后的特征提取模型,并对所述调整后的特征提取模型进行反复训练,直至根据训练后的特征提取模型得到的所述误差小于所述预设阈值。
8.根据权利要求5所述的方法,其特征在于,所述根据各个所述候选图的关键特征图候选集,确定各个所述候选图的目标特征图,包括:
分别从各个所述候选图的关键特征图候选集中,提取出各个所述候选图的关键特征图;
分别将各个所述候选图的关键特征图输入预先训练的卷积池化模型中,得到各个所述候选图的目标特征图;所述卷积池化模型用于分别对各个所述候选图的关键特征图进行多次卷积池化处理,得到各个所述候选图的目标特征图。
9.根据权利要求1所述的方法,其特征在于,所述根据各个所述候选图的目标特征图,得到各个所述候选图在至少两个图片识别维度下的识别分数,包括:
获取预设的至少两个图片识别维度下的卷积核;所述卷积核的大小与所述目标特征图的大小一致,所述卷积核的深度与所述目标特征图的数目一致;
分别根据所述预设的至少两个图片识别维度下的卷积核,对各个所述候选图的目标特征图进行卷积处理,得到各个所述候选图在所述至少两个图片识别维度下的识别分数。
10.根据权利要求1所述的方法,其特征在于,根据各个所述候选图在至少两个图片识别维度下的识别分数,确定所述待识别图片的目标分数,包括:
分别从各个所述候选图在至少两个图片识别维度下的识别分数中,确定各个所述候选图的最大识别分数,作为各个所述候选图的目标分数;
从各个所述候选图的目标分数中,将最大的目标分数作为所述待识别图片的目标分数。
11.根据权利要求1至10任一项所述的方法,其特征在于,所述根据所述目标分数确定对所述待识别图片的图片识别结果,包括:
若所述目标分数大于或者等于预设分数,确定所述待识别图片不满足设定条件;
若所述目标分数小于所述预设分数,确定所述待识别图片满足所述设定条件。
12.根据权利要求11所述的方法,其特征在于,在确定所述待识别图片不满足设定条件之后,还包括:
从各个所述候选图在至少两个图片识别维度下的识别分数中,筛选出大于或等于所述预设分数的识别分数;
将所述大于或等于所述预设分数的识别分数所对应的图片识别维度,作为所述待识别图片的图片标签。
13.一种图片识别装置,其特征在于,所述装置包括:
候选图分割模块,用于对待识别图片进行分割处理,得到至少两个的候选图;
特征图提取模块,用于提取各个所述候选图的目标特征图;所述目标特征图为所述候选图的目标图像特征对应的特征图;
识别分数获取模块,用于根据各个所述候选图的目标特征图,得到各个所述候选图在至少两个图片识别维度下的识别分数;
目标分数确定模块,用于根据各个所述候选图在至少两个图片识别维度下的识别分数,确定所述待识别图片的目标分数;
图片识别模块,用于根据所述目标分数确定对所述待识别图片的图片识别结果。
14.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911011154.XA CN110807139B (zh) | 2019-10-23 | 2019-10-23 | 图片识别方法、装置、计算机可读存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911011154.XA CN110807139B (zh) | 2019-10-23 | 2019-10-23 | 图片识别方法、装置、计算机可读存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807139A true CN110807139A (zh) | 2020-02-18 |
CN110807139B CN110807139B (zh) | 2023-09-01 |
Family
ID=69488983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911011154.XA Active CN110807139B (zh) | 2019-10-23 | 2019-10-23 | 图片识别方法、装置、计算机可读存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807139B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275703A (zh) * | 2020-02-27 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111339904A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 动物精子图像识别方法和装置 |
CN111401359A (zh) * | 2020-02-25 | 2020-07-10 | 北京三快在线科技有限公司 | 目标识别方法、装置、电子设备和存储介质 |
CN111506761A (zh) * | 2020-04-22 | 2020-08-07 | 上海极链网络科技有限公司 | 一种相似图片查询方法、装置、系统及存储介质 |
CN111860659A (zh) * | 2020-07-24 | 2020-10-30 | 上海德易车信息科技有限公司 | 一种图片审核方法、装置、电子设备及可读存储介质 |
CN112839167A (zh) * | 2020-12-30 | 2021-05-25 | Oppo(重庆)智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN113239224A (zh) * | 2021-05-14 | 2021-08-10 | 百度在线网络技术(北京)有限公司 | 异常文档识别方法、装置、设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150561A (zh) * | 2013-03-19 | 2013-06-12 | 华为技术有限公司 | 人脸识别方法和设备 |
CN103189897A (zh) * | 2011-11-02 | 2013-07-03 | 松下电器产业株式会社 | 图像识别装置、图像识别方法和集成电路 |
CN104794480A (zh) * | 2014-12-11 | 2015-07-22 | 天津普达软件技术有限公司 | 一种奶盒喷打字符不良品剔除方法 |
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 |
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 |
CN109165563A (zh) * | 2018-07-27 | 2019-01-08 | 北京市商汤科技开发有限公司 | 行人再识别方法和装置、电子设备、存储介质、程序产品 |
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 |
CN109344851A (zh) * | 2018-08-01 | 2019-02-15 | 迈克医疗电子有限公司 | 图像分类显示方法和装置、分析仪器和存储介质 |
CN109918984A (zh) * | 2018-12-15 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 保险单号码识别方法、装置、电子设备及存储介质 |
CN109949313A (zh) * | 2019-05-17 | 2019-06-28 | 中科院—南京宽带无线移动通信研发中心 | 一种图像实时语义分割方法 |
CN110298405A (zh) * | 2019-07-03 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 类别识别方法及装置、存储介质与终端 |
CN110334722A (zh) * | 2019-03-29 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
-
2019
- 2019-10-23 CN CN201911011154.XA patent/CN110807139B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103189897A (zh) * | 2011-11-02 | 2013-07-03 | 松下电器产业株式会社 | 图像识别装置、图像识别方法和集成电路 |
CN103150561A (zh) * | 2013-03-19 | 2013-06-12 | 华为技术有限公司 | 人脸识别方法和设备 |
CN104794480A (zh) * | 2014-12-11 | 2015-07-22 | 天津普达软件技术有限公司 | 一种奶盒喷打字符不良品剔除方法 |
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 |
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 |
CN109165563A (zh) * | 2018-07-27 | 2019-01-08 | 北京市商汤科技开发有限公司 | 行人再识别方法和装置、电子设备、存储介质、程序产品 |
CN109344851A (zh) * | 2018-08-01 | 2019-02-15 | 迈克医疗电子有限公司 | 图像分类显示方法和装置、分析仪器和存储介质 |
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 |
CN109918984A (zh) * | 2018-12-15 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 保险单号码识别方法、装置、电子设备及存储介质 |
CN110334722A (zh) * | 2019-03-29 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN109949313A (zh) * | 2019-05-17 | 2019-06-28 | 中科院—南京宽带无线移动通信研发中心 | 一种图像实时语义分割方法 |
CN110298405A (zh) * | 2019-07-03 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 类别识别方法及装置、存储介质与终端 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339904A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 动物精子图像识别方法和装置 |
CN111339904B (zh) * | 2020-02-21 | 2023-11-03 | 腾讯科技(深圳)有限公司 | 动物精子图像识别方法和装置 |
CN111401359A (zh) * | 2020-02-25 | 2020-07-10 | 北京三快在线科技有限公司 | 目标识别方法、装置、电子设备和存储介质 |
CN111275703A (zh) * | 2020-02-27 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111275703B (zh) * | 2020-02-27 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111506761A (zh) * | 2020-04-22 | 2020-08-07 | 上海极链网络科技有限公司 | 一种相似图片查询方法、装置、系统及存储介质 |
CN111506761B (zh) * | 2020-04-22 | 2021-05-14 | 上海极链网络科技有限公司 | 一种相似图片查询方法、装置、系统及存储介质 |
CN111860659A (zh) * | 2020-07-24 | 2020-10-30 | 上海德易车信息科技有限公司 | 一种图片审核方法、装置、电子设备及可读存储介质 |
CN112839167A (zh) * | 2020-12-30 | 2021-05-25 | Oppo(重庆)智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN113239224A (zh) * | 2021-05-14 | 2021-08-10 | 百度在线网络技术(北京)有限公司 | 异常文档识别方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110807139B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807139B (zh) | 图片识别方法、装置、计算机可读存储介质和计算机设备 | |
CN111311578B (zh) | 基于人工智能的对象分类方法以及装置、医学影像设备 | |
US11494902B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
CN107358262B (zh) | 一种高分辨率图像的分类方法及分类装置 | |
WO2021212659A1 (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN110210542B (zh) | 图片文字识别模型训练方法、装置及文字识别系统 | |
CN108470172B (zh) | 一种文本信息识别方法及装置 | |
CN110490212A (zh) | 钼靶影像处理设备、方法和装置 | |
WO2019226270A1 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
Wei et al. | Medical image super-resolution by using multi-dictionary and random forest | |
CN107886082B (zh) | 图像中数学公式检测方法、装置、计算机设备及存储介质 | |
US20210337073A1 (en) | Print quality assessments via patch classification | |
CN110827236A (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
CN111860169A (zh) | 皮肤分析方法、装置、存储介质及电子设备 | |
CN110298829A (zh) | 一种舌诊方法、装置、系统、计算机设备和存储介质 | |
US20220164943A1 (en) | Circuit board detection method and electronic device | |
CN110807463B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN116342931A (zh) | 一种多尺度注意力的毛皮图像分类方法、系统和存储介质 | |
Wu et al. | Improved mask R-CNN-based cloud masking method for remote sensing images | |
CN115908363A (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
US11966842B2 (en) | Systems and methods to train a cell object detector | |
CN113344040A (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
CN112966774A (zh) | 一种基于图片Bert的组织病理图片分类方法 | |
CN114821146A (zh) | 一种基于增强的弱监督细粒度阿尔兹海默症分类方法 | |
CN113762262A (zh) | 图像数据筛选、图像分割模型训练方法、装置和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40021452 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |