[發明專利]一種對敏感圖像進行分析的方法及裝置

有效

• 申請號: 201710248908.8
• 申請日: 2017-04-17
• 公開（公告）號: CN108734184B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 楊現;常江龍
• 申請（專利權）人: 蘇寧易購集團股份有限公司
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06V10/764;G06V10/774;G06V10/82;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種對敏感圖像進行分析的方法，其特征在于，包括：

在所提取訓練樣本集合中，按照各樣本對應的敏感類型，對所述訓練樣本集合中的樣本圖像進行聚類；

根據經過聚類的樣本圖像，通過卷積神經網絡訓練對應各類的識別模型；

利用訓練得到的識別模型，從待檢測的圖片庫中識別對應各類的敏感圖片；

所述按照各樣本對應的敏感類型對所述訓練樣本集合中的樣本圖像進行聚類，包括：通過預設的神經網絡模型，從所述訓練樣本集合中提取各樣本圖像的敏感特征，其中，所述預設的神經網絡模型通過imagenet訓練；通過預設的聚類算法，將敏感特征的相似程度滿足測試規則的樣本圖像聚類至同一個樣本子集合；

還包括：利用所提取的預訓練數據集，訓練指定層數的深度殘差網絡，所述指定層數≥50；通過訓練得到的深度殘差網絡，校正所述樣本子集合；

其中，深度網絡中某隱含層為H(x)-x→F(x)，并將隱含層表示為H(x)＝F(x)+x，殘差單元的輸出由多個卷積層級聯的輸出和輸入元素間相加，再經過ReLU激活，之后將得到的結構級聯從而獲取深度殘差網絡。

2.根據權利要求1所述的方法，其特征在于，還包括：

在一個樣本子集合中：

按照與聚類中心的距離，將所述子集合中的樣本圖像由近至遠排序，并選取排序在前指定位數的樣本圖像作為正樣本；

利用所得到的正樣本訓練模型分類器；

通過經過訓練的所述模型分類器，對所述樣本子集合中的樣本圖像進行分類計算，并將計算得到的分值低于預設門限的樣本圖像剔除。

3.根據權利要求1所述的方法，其特征在于，還包括：

在對所述待檢測的圖片庫中對應各類的敏感圖片進行識別，且得到識別結果后，從所述識別結果中提取難例樣本；

根據所述難例樣本更新對應各類的識別模型的參數。

4.根據權利要求3所述的方法，其特征在于，所述從所述識別結果中提取難例樣本，包括：

獲取敏感圖片中各屬性的得分值，其中，所述敏感圖片中各屬性的得分值通過所述識別模型計算得到；按照得分值由大至小的順序，對所獲取的敏感圖片的各屬性排序；

獲取排序在前指定位數的屬性的得分值的相加值，當所述相加值大于預設的置信度閾值時，判定作為所述難例樣本。

5.根據權利要求1所述的方法，其特征在于，還包括：

按照預設的業務規則，從電商服務平臺采集候選圖像，利用所采集的候選圖像更新所述圖片庫；

和/或，按照預設的測試規則，從所述測試規則所指向的樣本庫中提取所述訓練樣本集合。

6.一種對敏感圖像進行分析的裝置，其特征在于，包括：

聚類模塊，用于在所提取訓練樣本集合中，按照各樣本對應的敏感類型，對所述訓練樣本集合中的樣本圖像進行聚類；

訓練模塊，用于根據經過聚類的樣本圖像，通過卷積神經網絡訓練對應各類的識別模型；

分析模塊，用于利用訓練得到的識別模型，從待檢測的圖片庫中識別對應各類的敏感圖片；

所述聚類模塊，具體用于通過預設的神經網絡模型，從所述訓練樣本集合中提取各樣本圖像的敏感特征；并通過預設的聚類算法，將敏感特征的相似程度滿足測試規則的樣本圖像聚類至同一個樣本子集合；其中，所述預設的神經網絡模型通過imagenet訓練；

還包括：過濾模塊，用于在一個樣本子集合中：按照與聚類中心的距離，將所述子集合中的樣本圖像由近至遠排序，并選取排序在前指定位數的樣本圖像作為正樣本；再利用所得到的正樣本訓練模型分類器；之后通過經過訓練的所述模型分類器，對所述樣本子集合中的樣本圖像進行分類計算，并將計算得到的分值低于預設門限的樣本圖像剔除；還包括：校正模塊，用于利用所提取的預訓練數據集，訓練指定層數的深度殘差網絡，所述指定層數≥50；并通過訓練得到的深度殘差網絡，校正所述樣本子集合；

其中，深度網絡中某隱含層為H(x)-x→F(x)，并將隱含層表示為H(x)＝F(x)+x，殘差單元的輸出由多個卷積層級聯的輸出和輸入元素間相加，再經過ReLU激活，之后將得到的結構級聯從而獲取深度殘差網絡。

7.根據權利要求6所述的裝置，其特征在于，還包括：

更新模塊，用于在對所述待檢測的圖片庫中對應各類的敏感圖片進行識別，且得到識別結果后，獲取敏感圖片中各屬性的得分值，其中，所述敏感圖片中各屬性的得分值通過所述識別模型計算得到；并按照得分值由大至小的順序，對所獲取的敏感圖片的各屬性排序；并獲取排序在前指定位數的屬性的得分值的相加值，當所述相加值大于預設的置信度閾值時，判定作為難例樣本；再根據所述難例樣本更新對應各類的識別模型的參數。