CN113537380A - 一种色情图像识别方法、系统、存储介质和电子设备 - Google Patents

一种色情图像识别方法、系统、存储介质和电子设备 Download PDF

Info

Publication number
CN113537380A
CN113537380A CN202110863334.1A CN202110863334A CN113537380A CN 113537380 A CN113537380 A CN 113537380A CN 202110863334 A CN202110863334 A CN 202110863334A CN 113537380 A CN113537380 A CN 113537380A
Authority
CN
China
Prior art keywords
branch
pornographic
image
preset image
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110863334.1A
Other languages
English (en)
Inventor
余路阳
唐会军
刘拴林
梁堃
陈建
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 Nextdata Times Technology Co ltd
Original Assignee
Beijing Nextdata Times 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 Nextdata Times Technology Co ltd filed Critical Beijing Nextdata Times Technology Co ltd
Priority to CN202110863334.1A priority Critical patent/CN113537380A/zh
Publication of CN113537380A publication Critical patent/CN113537380A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种色情图像识别方法、系统、存储介质和电子设备，所述方法包括：将待识别图像输入双分支训练的色情图像识别模型，得到每个分支对应的结果，其中，第一分支对应的结果包括至少一个第一色情标签，第二分支的结果只包括一个第二色情标签；根据第一分支对应的结果和第二分支对应的结果判断所述待识别图像是否为色情图像。待识别图像输入双分支训练的色情图像识别模型后，能够得到第一分支对应的结果和第二分支对应的结果，两个结果能够相互对比和验证，极大降低漏识别色情图像的概率。

Description

一种色情图像识别方法、系统、存储介质和电子设备
技术领域
本发明涉及图像识别技术领域，尤其涉及一种色情图像识别方法、系统、存储介质和电子设备。
背景技术
随着多媒体技术的快速发展，图像、视频成为了互联网上人们交流的主要方式。但风险向来与发展并存，大量的图片、视频中出现很多影响大众影响社会的不良元素。例如，色情图片会影响大众的上网体验，影响观看者的身心健康，对社会造成严重的不良影响，因而对色情图像进行识别监管成为了媒体发展不可避免的硬需求技术。
目前，识别色情图像的主流算法是通过深度学识别算法对图像进行单标签的预测。该算法从算法设计上不符合色情图像多元素的特征，导致最终识别结果仅有最为明显的色情元素，以及无法识别弱特征的色情内容。所以目前业界使用的色情图像识别方法常导致漏识别色情图像。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供了一种色情图像识别方法、系统、存储介质和电子设备。
本发明的一种色情图像识别方法的技术方案如下：
将待识别图像输入双分支训练的色情图像识别模型，得到每个分支对应的结果，其中，第一分支对应的结果包括至少一个第一色情标签，第二分支的结果只包括一个第二色情标签；
根据第一分支对应的结果和第二分支对应的结果判断所述待识别图像是否为色情图像。
本发明的一种色情图像识别方法的有益效果如下：
待识别图像输入双分支训练的色情图像识别模型后，能够得到第一分支对应的结果和第二分支对应的结果，两个结果能够相互对比和验证，极大降低漏识别色情图像的概率。
在上述方案的基础上，本发明的一种色情图像识别方法还可以做如下改进。
进一步，还包括：
对任一预设图像标注至少一个第一色情标签，以及对所述任一预设图像只标注一个第二色情标签，直至得到每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的一个第二色情标签；
搭建包括特征提取器和分类器的改进inception v3模型，其中，所述分类器包括所述第一分支和所述第二分支，其中，所述特征提取器将根据每个预设图像、每个预设图像对应的至少一个第一色情标签，以及每个预设图像对应的一个第二色情标签得到的特征向量分别输入所述第一分支和所述第二分支；
基于每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的第二色情标签，利用所述改进inception v3模型，并结合Adam算法进行训练，得到所述色情图像识别模型。
进一步，搭建所述改进inception v3模型，还包括：
对所述第一分支引入binary-cross-entropy损失函数，对所述第二分支引入cross-entropy损失函数。
进一步，所述第一分支包括两个不同维数的全连接层，且所述第一分支对应的激活函数为sigmoid函数；
所述第二分支包括两个不同维数的全连接层，且所述第二分支对应的激活函数为softmax函数。
本发明的一种色情图像识别系统的技术方案如下：
包括输入模块和判断模块；
所述输入模块用于将待识别图像输入双分支训练的色情图像识别模型，得到每个分支对应的结果，其中，第一分支对应的结果包括至少一个第一色情标签，第二分支的结果只包括一个第二色情标签；
所述判断模块用于根据第一分支对应的结果和第二分支对应的结果判断所述待识别图像是否为色情图像。
本发明的一种色情图像识别系统的有益效果如下：
待识别图像输入双分支训练的色情图像识别模型后，能够得到第一分支对应的结果和第二分支对应的结果，两个结果能够相互对比和验证，极大降低漏识别色情图像的概率。
在上述方案的基础上，本发明的一种色情图像识别系统还可以做如下改进。
进一步，还包括标注模块、模型搭建模块和模型训练模块；
所述标注模块用于对任一预设图像标注至少一个第一色情标签，以及对所述任一预设图像只标注一个第二色情标签，直至得到每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的一个第二色情标签；
所述模型搭建模块用于搭建包括特征提取器和分类器的改进inception v3模型，其中，所述分类器包括所述第一分支和所述第二分支，其中，所述特征提取器将根据每个预设图像、每个预设图像对应的至少一个第一色情标签，以及每个预设图像对应的一个第二色情标签得到的特征向量分别输入所述第一分支和所述第二分支；
所述模型训练模块用于基于每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的第二色情标签，利用所述改进inception v3模型，并结合Adam算法进行训练，得到所述色情图像识别模型。
进一步，所述模型搭建模块还用于：
对所述第一分支引入binary-cross-entropy损失函数，对所述第二分支引入cross-entropy损失函数。
进一步，所述第一分支包括两个不同维数的全连接层，且所述第一分支对应的激活函数为sigmoid函数；
所述第二分支包括两个不同维数的全连接层，且所述第二分支对应的激活函数为softmax函数。
本发明的一种存储介质的技术方案为：所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种色情图像识别方法。
本发明的一种电子设备的技术方案为：包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现上述任一项所述的一种色情图像识别方法的步骤。
附图说明
图1为本发明实施例的一种色情图像识别方法的流程示意图；
图2为本发明实施例的一种色情图像识别系统的结构示意图；
具体实施方式
如图1所示，本发明实施例的一种色情图像识别方法，包括如下步骤：
S1、将待识别图像输入双分支训练的色情图像识别模型，得到每个分支对应的结果，其中，第一分支对应的结果包括至少一个第一色情标签，第二分支的结果只包括一个第二色情标签，其中，双分支指第一分支和第二分支；
S2、根据第一分支对应的结果和第二分支对应的结果判断所述待识别图像是否为色情图像。具体地：
1)例如，将第一待识别图像输入色情图像识别模型，得到的第一分支对应的结果包括两个第一色情标签如“裸露”和“艺术”，得到的第二分支的结果只包括一个第二色情标签例如“艺术”，则可判定第一待识别图像不是色情图像；
2)例如，将第二待识别图像输入色情图像识别模型，得到的第一分支对应的结果包括两个第一色情标签如“裸露”和“性”，得到的第二分支的结果只包括一个第二色情标签例如“性”，则可判定第二待识别图像是色情图像；
3)例如，将第三待识别图像输入色情图像识别模型，得到的第一分支对应的结果包括两个第一色情标签如“裸露”和“性”，得到的第二分支的结果只包括一个第二色情标签例如“艺术”，则可判定第三待识别图像是色情图像；但现有技术中，如得到“艺术”的色情标签时，由于缺少其它用于验证的结果，很有可能出现漏识别色情图像的情况。
其中，可从视频中获取帧图像作为待识别图像。
也就是说，本申请中，待识别图像输入双分支训练的色情图像识别模型后，能够得到第一分支对应的结果和第二分支对应的结果，两个结果能够相互对比和验证，极大降低漏识别色情图像的概率。
较优地，在上述技术方案中，还包括：
S010、对任一预设图像标注至少一个第一色情标签，以及对所述任一预设图像只标注一个第二色情标签，直至得到每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的一个第二色情标签；
S011、搭建包括特征提取器和分类器的改进inception v3模型，其中，所述分类器包括所述第一分支和所述第二分支，其中，所述特征提取器将根据每个预设图像、每个预设图像对应的至少一个第一色情标签，以及每个预设图像对应的一个第二色情标签得到的特征向量分别输入所述第一分支和所述第二分支；
其中，特征提取器部分的网络结构与现有的inception v3的网络结构相同，分类器包括第一分支和第二分支，以第一预设图像为例进行说明，具体地：
特征提取器根据第一预设图像、第一预设图像对应的至少一个第一色情标签，以及第一预设图像对应的一个第二色情标签得到特征图，然后对特征图进行平均池化，得到第一预设图像对应的特征向量，然后将特征向量分别输入第一分支和第二分支。
S012、基于每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的第二色情标签，利用所述改进inception v3模型，并结合Adam算法进行训练，得到所述色情图像识别模型。
其中，预设图像的数量可根据实际情况确认，例如1000和5000张预设图像，一般情况下，预设图像的数量越多，训练出的色情图像识别模型的精度越高，但训练耗时会增大，可根据实际情况平衡精度和训练耗时，一般将多张预设图像按照预设比例如9:1或8:2等，划分为训练集和验证集，然后利用改进inception v3模型，并结合Adam算法进行训练，得到所述色情图像识别模型。其中，训练过程为本领域技术人员所悉知，在此不做赘述。
其中，训练过程中采用小批次的输入方式进行训练，模型经过若干次个批次在验证集上没有提升，则停止训练，得到色情图像识别模型，或者精度达到预设精度时，停止训练，得到色情图像识别模型。
其中，Adam算法可使其在训练阶段稳定且平滑的达到收敛状态。
在训练之前，将每个预设图像进行翻转、旋转、对比度变化等，以达到丰富数据集样本的目的。并将每个预设图像进行尺寸统一，并做归一化处理，以便于进行训练。
较优地，在上述技术方案中，S011中，搭建所述改进inception v3模型，还包括：
S0110、对所述第一分支引入binary-cross-entropy损失函数，对所述第二分支引入cross-entropy损失函数。
较优地，在上述技术方案中，所述第一分支包括两个不同维数的全连接层，且所述第一分支对应的激活函数为sigmoid函数；
所述第二分支包括两个不同维数的全连接层，且所述第二分支对应的激活函数为softmax函数。
其中，使用Cross-entropy损失函数下降更平滑，且训练过程中能使模型拟合更难学习的样本特征。在第二分支输出类别之间相关性减弱，使用Binary-cross-entropy保证输出类别的一定程度的独立性。
其中，softmax函数的特点是输出值总和为1，极符合第二分支的输出单一色情标签的要求。sigmoid针对每个类别分别计算激活值，保证类别独立性。
其中，第一分支包括两个不同维数的全连接层，如2048维全连接层和65维全连接层等，第二分支包括两个不同维数的全连接层，如2048维全连接层、31维全连接层等。
在上述各实施例中，虽然对步骤进行了编号S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
如图2所示，本发明实施例的一种色情图像识别系统200，包括输入模块210和判断模块220；
所述输入模块210用于将待识别图像输入双分支训练的色情图像识别模型，得到每个分支对应的结果，其中，第一分支对应的结果包括至少一个第一色情标签，第二分支的结果只包括一个第二色情标签；
所述判断模块220用于根据第一分支对应的结果和第二分支对应的结果判断所述待识别图像是否为色情图像。
待识别图像输入双分支训练的色情图像识别模型后，能够得到第一分支对应的结果和第二分支对应的结果，两个结果能够相互对比和验证，极大降低漏识别色情图像的概率。
较优地，在上述技术方案中，还包括标注模块、模型搭建模块和模型训练模块；
所述标注模块用于对任一预设图像标注至少一个第一色情标签，以及对所述任一预设图像只标注一个第二色情标签，直至得到每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的一个第二色情标签；
所述模型搭建模块用于搭建包括特征提取器和分类器的改进inception v3模型，其中，所述分类器包括所述第一分支和所述第二分支，其中，所述特征提取器将根据每个预设图像、每个预设图像对应的至少一个第一色情标签，以及每个预设图像对应的一个第二色情标签得到的特征向量分别输入所述第一分支和所述第二分支；
所述模型训练模块用于基于每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的第二色情标签，利用所述改进inception v3模型，并结合Adam算法进行训练，得到所述色情图像识别模型。
较优地，在上述技术方案中，所述模型搭建模块还用于：
对所述第一分支引入binary-cross-entropy损失函数，对所述第二分支引入cross-entropy损失函数。
较优地，在上述技术方案中，所述第一分支包括两个不同维数的全连接层，且所述第一分支对应的激活函数为sigmoid函数；
所述第二分支包括两个不同维数的全连接层，且所述第二分支对应的激活函数为softmax函数。
上述关于本发明的一种色情图像识别系统200中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种色情图像识别方法的实施例中的各参数和步骤，在此不做赘述。
本发明实施例的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种色情图像识别方法。
本发明实施例的一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现上述任一项所述的一种色情图像识别方法的步骤。
其中，电子设备可以选用电脑、手机等，相对应地，其程序为电脑软件或手机APP等，且上述关于本发明的一种电子设备中的各参数和步骤，可参考上文中一种色情图像识别方法的实施例中的各参数和步骤，在此不做赘述。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。
因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
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一一但不限于——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。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种色情图像识别方法，其特征在于，包括：
将待识别图像输入双分支训练的色情图像识别模型，得到每个分支对应的结果，其中，第一分支对应的结果包括至少一个第一色情标签，第二分支的结果只包括一个第二色情标签；
根据第一分支对应的结果和第二分支对应的结果判断所述待识别图像是否为色情图像。
2.根据权利要求1所述的一种色情图像识别方法，其特征在于，还包括：
对任一预设图像标注至少一个第一色情标签，以及对所述任一预设图像只标注一个第二色情标签，直至得到每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的一个第二色情标签；
搭建包括特征提取器和分类器的改进inception v3模型，其中，所述分类器包括所述第一分支和所述第二分支，其中，所述特征提取器将根据每个预设图像、每个预设图像对应的至少一个第一色情标签，以及每个预设图像对应的一个第二色情标签得到的特征向量分别输入所述第一分支和所述第二分支；
基于每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的第二色情标签，利用所述改进inception v3模型，并结合Adam算法进行训练，得到所述色情图像识别模型。
3.根据权利要求1或2所述的一种色情图像识别方法，其特征在于，搭建所述改进inception v3模型，还包括：
对所述第一分支引入binary-cross-entropy损失函数，对所述第二分支引入cross-entropy损失函数。
4.根据权利要求1或2所述的一种色情图像识别方法，其特征在于，所述第一分支包括两个不同维数的全连接层，且所述第一分支对应的激活函数为sigmoid函数；
所述第二分支包括两个不同维数的全连接层，且所述第二分支对应的激活函数为softmax函数。
5.一种色情图像识别系统，其特征在于，包括输入模块和判断模块；
所述输入模块用于将待识别图像输入双分支训练的色情图像识别模型，得到每个分支对应的结果，其中，第一分支对应的结果包括至少一个第一色情标签，第二分支的结果只包括一个第二色情标签；
所述判断模块用于根据第一分支对应的结果和第二分支对应的结果判断所述待识别图像是否为色情图像。
6.根据权利要求5所述的一种色情图像识别系统，其特征在于，还包括标注模块、模型搭建模块和模型训练模块；
所述标注模块用于对任一预设图像标注至少一个第一色情标签，以及对所述任一预设图像只标注一个第二色情标签，直至得到每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的一个第二色情标签；
所述模型搭建模块用于搭建包括特征提取器和分类器的改进inception v3模型，其中，所述分类器包括所述第一分支和所述第二分支，其中，所述特征提取器将根据每个预设图像、每个预设图像对应的至少一个第一色情标签，以及每个预设图像对应的一个第二色情标签得到的特征向量分别输入所述第一分支和所述第二分支；
所述模型训练模块用于基于每个预设图像对应的至少一个第一色情标签，以及，每个预设图像对应的第二色情标签，利用所述改进inception v3模型，并结合Adam算法进行训练，得到所述色情图像识别模型。
7.根据权利要求5或6所述的一种色情图像识别系统，其特征在于，所述模型搭建模块还用于：
对所述第一分支引入binary-cross-entropy损失函数，对所述第二分支引入cross-entropy损失函数。
8.根据权利要求5或6所述的一种色情图像识别系统，其特征在于，所述第一分支包括两个不同维数的全连接层，且所述第一分支对应的激活函数为sigmoid函数；
所述第二分支包括两个不同维数的全连接层，且所述第二分支对应的激活函数为softmax函数。
9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至4中任一项所述的一种色情图像识别方法。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的一种色情图像识别方法的步骤。
CN202110863334.1A 2021-07-29 2021-07-29 一种色情图像识别方法、系统、存储介质和电子设备 Pending CN113537380A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110863334.1A CN113537380A (zh) 2021-07-29 2021-07-29 一种色情图像识别方法、系统、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110863334.1A CN113537380A (zh) 2021-07-29 2021-07-29 一种色情图像识别方法、系统、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN113537380A true CN113537380A (zh) 2021-10-22

Family

ID=78121426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110863334.1A Pending CN113537380A (zh) 2021-07-29 2021-07-29 一种色情图像识别方法、系统、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN113537380A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482409A (zh) * 2022-08-15 2022-12-16 北京数美时代科技有限公司 一种图像识别模型训练方法、系统、存储介质和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414432A (zh) * 2019-07-29 2019-11-05 腾讯科技（深圳）有限公司 对象识别模型的训练方法、对象识别方法及相应的装置
CN110689056A (zh) * 2019-09-10 2020-01-14 Oppo广东移动通信有限公司 一种分类方法及装置、设备和存储介质
CN111259823A (zh) * 2020-01-19 2020-06-09 人民中科(山东)智能技术有限公司 一种基于卷积神经网络的色情图像识别方法
CN112102257A (zh) * 2020-08-26 2020-12-18 电子科技大学 一种基于卷积神经网络的人体粪便自动识别方法
CN112348100A (zh) * 2020-11-13 2021-02-09 成都理工大学 一种岩石识别方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414432A (zh) * 2019-07-29 2019-11-05 腾讯科技（深圳）有限公司 对象识别模型的训练方法、对象识别方法及相应的装置
CN110689056A (zh) * 2019-09-10 2020-01-14 Oppo广东移动通信有限公司 一种分类方法及装置、设备和存储介质
CN111259823A (zh) * 2020-01-19 2020-06-09 人民中科(山东)智能技术有限公司 一种基于卷积神经网络的色情图像识别方法
CN112102257A (zh) * 2020-08-26 2020-12-18 电子科技大学 一种基于卷积神经网络的人体粪便自动识别方法
CN112348100A (zh) * 2020-11-13 2021-02-09 成都理工大学 一种岩石识别方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115482409A (zh) * 2022-08-15 2022-12-16 北京数美时代科技有限公司 一种图像识别模型训练方法、系统、存储介质和电子设备

Similar Documents

Publication Publication Date Title
CN108830235B (zh) 用于生成信息的方法和装置
US11436863B2 (en) Method and apparatus for outputting data
CN109003624B (zh) 情绪识别方法、装置、计算机设备及存储介质
CN110188202B (zh) 语义关系识别模型的训练方法、装置及终端
CN108491805B (zh) 身份认证方法和装置
CN111027291B (zh) 文本中标点符号添加、模型训练方法、装置及电子设备
CN113627536B (zh) 模型训练、视频分类方法，装置，设备以及存储介质
CN111444986A (zh) 建筑图纸构件分类方法、装置、电子设备及存储介质
CN116050496A (zh) 图片描述信息生成模型的确定方法及装置、介质、设备
CN112669876A (zh) 情绪识别方法、装置、计算机设备及存储介质
CN112884147A (zh) 神经网络训练方法、图像处理方法、装置及电子设备
CN116994021A (zh) 图像检测方法、装置、计算机可读介质及电子设备
CN113537380A (zh) 一种色情图像识别方法、系统、存储介质和电子设备
CN114090792A (zh) 基于对比学习的文档关系抽取方法及其相关设备
CN113239883A (zh) 分类模型的训练方法、装置、电子设备以及存储介质
CN115700845B (zh) 人脸识别模型训练方法、人脸识别方法、装置及相关设备
CN116680385A (zh) 基于人工智能的对话问答方法、装置、计算机设备及介质
CN111310743A (zh) 人脸识别方法、装置、电子设备及可读存储介质
CN113887535B (zh) 模型训练方法、文本识别方法、装置、设备和介质
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN114091458A (zh) 基于模型融合的实体识别方法和系统
CN112765973A (zh) 评分模型训练方法及装置、作文评分方法及装置
CN114155420B (zh) 一种场景识别模型训练方法、装置、设备及介质
CN115292455B (zh) 图文匹配模型的训练方法及装置
CN115881103B (zh) 语音情绪识别模型训练方法、语音情绪识别方法及装置

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: 20211022

RJ01 Rejection of invention patent application after publication