[發明專利]敏感圖像鑒定方法及終端系統

有效

• 申請號: 201810929971.2
• 申請日: 2018-08-15
• 公開（公告）號: CN109145979B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 王西子;程峰;王士林;孫環榮;劉功申;周誠
• 申請（專利權）人: 上海嵩恒網絡科技股份有限公司;上海交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/774;G06N3/04
• 代理公司: 上海晨皓知識產權代理事務所(普通合伙) 31260
• 代理人: 成麗杰

本發明實施例涉及圖像鑒別以及人工智能技術領域，公開了一種敏感圖像鑒定方法及終端系統。該方法應用于敏感圖像鑒定系統，該系統包括：骨干網絡、全局分類網絡以及目標區域檢測網絡，該方法包括：在有局部區域標注的圖像訓練集上訓練所述目標區域檢測網絡得到骨干網絡參數；其中，所述骨干網絡參數為所述目標區域檢測網絡中與所述骨干網絡結構相同的網絡結構的網絡參數；根據所述骨干網絡參數對所述全局分類網絡進行初始化；初始化后的所述全局分類網絡在類別標注數據集上進行訓練，采用訓練好的所述全局分類網絡進行敏感圖像分類。本發明實施例可以檢測到圖像中大小各異的敏感區域，從而大幅提升敏感圖像分類性能。

技術領域

本發明實施例涉及圖像鑒別以及人工智能技術領域，特別涉及一種敏感圖像鑒定方法及終端系統。

背景技術

隨著科技的發展進步，互聯網成為人們日常生活和工作中離不開的工具，它在給人們帶來生活方便、處理事務高效的同時，也會成為一些不法分子的有利工具，利用其傳播和散延一些不良信息，如黃色圖片、影視等，涉黃案件接踵而來，由此一來，“打黃”也顯得尤為重要。

目前，現有的敏感圖像的主要鑒別技術有兩種。第一種是基于卷積神經網絡(Convolution Neural Network，簡稱CNN)的敏感圖像分類方法。作者直接將圖像的像素信息分別輸入到AlexNet[2]與GoogLeNet[3]中，基本保留了輸入圖像的所有信息，通過卷積、池化等操作對特征進行提取和高層抽象，并將兩種網絡輸出圖像識別的概率值加權求和來分類。CNN作為一種端到端的學習方法，應用非常廣泛。第二種是CNN全局圖像分類與局部圖像目標檢測Faster RCNN相結合的敏感圖像分類方法。在給定的圖片中，Faster RCNN可以精確地找到物體所在的位置，并標注物體的類別，即進行圖像的識別與定位。作者將局部目標檢測和全局特征相結合，進一步提升了敏感圖像檢測的正確率。基于卷積神經網絡CNN的圖像分類與普通神經網絡非常相似，由具有可學習的權重和偏置常量(biases)的神經元組成。每個神經元接收一些輸入，完成點積運算，再輸出每個類的分數。CNN運用了權值共享方法大量減少了神經網絡的參數，易于端到端的訓練。

CNN通常包含以下幾種層：

1.卷積層(Convolutional layer)

CNN中每層卷積層由若干卷積單元組成，每個卷積單元的參數都是通過反向傳播算法進行優化而得到的。卷積運算的目的是提取輸入的不同特征，第一層卷積層一般只提取低級的邊緣、線條和角等層級的特征，高層卷積層能從低級特征中迭代提取更為復雜的特征。卷積計算過程如下：

給定一個圖像X_ij，1≤i≤M，1≤j≤N，濾波器(卷積核)f_ij，1≤i≤m，1≤j≤n，一般m≤M，n≤N，以及偏置項b。卷積的輸出為：

在一個卷積層中，每一個隱含單元僅僅能連接輸入單元的一部分。輸出值的計算方法是權重值與輸入的點積并與偏置項求和而得。上一層的特征映射(feature map)進行上述的卷積操作，再通過一個激活函數ReLU，可以得到輸出特征的特征映射。一個輸出單元的大小由深度(depth)，步長(stride)，補零(zero-padding)來決定。深度指輸出單元的深度，連接同一塊區域的神經元個數。步長控制同一深度的相鄰兩個隱含單元與它們相連接的輸入區域的距離。步長越大相鄰隱含單元的輸入區域的重疊部分會變少。通過在輸入單元周圍補零來改變輸入單元整體大小，從而控制輸出單元的空間大小。定義W₁*H₁*D₁為輸入單元的大小，F為感受野，S為步長，P為補零的數量，K為輸出單元的深度。則由以下公式計算輸出三維單元的維度W₂*H₂*D₂：

在輸出單元，第d個深度切片的結果是由第d個濾波器和輸入單元做卷積運算，再與偏置求和而得。