[發(fā)明專(zhuān)利]一種涉政圖像的識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110488327.8
• 申請(qǐng)日: 2021-05-06
• 公開(kāi)（公告）號(hào): CN112990147A
• 公開(kāi)（公告）日: 2021-06-18
• 發(fā)明（設(shè)計(jì)）人: 白世杰;吳富章;趙宇航;王秋明
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京遠(yuǎn)鑒信息技術(shù)有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/02;G06N3/08
• 代理公司: 北京超凡宏宇專(zhuān)利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 劉鳳

1.一種涉政圖像的識(shí)別方法，其特征在于，所述識(shí)別方法包括：

獲取待識(shí)別圖像；

將所述待識(shí)別圖像輸入至預(yù)先訓(xùn)練好的涉政圖像識(shí)別模型中，通過(guò)所述涉政圖像識(shí)別模型中的一級(jí)識(shí)別子模型，識(shí)別所述待識(shí)別圖像中的一級(jí)圖像特征，并基于所述一級(jí)圖像特征確定所述待識(shí)別圖像的初始識(shí)別標(biāo)簽；

通過(guò)所述涉政圖像識(shí)別模型中的二級(jí)識(shí)別子模型，確定每個(gè)一級(jí)圖像特征所對(duì)應(yīng)的二級(jí)圖像特征，并基于所述二級(jí)圖像特征調(diào)整所述初始識(shí)別標(biāo)簽，得到二級(jí)識(shí)別標(biāo)簽；

通過(guò)所述涉政圖像識(shí)別模型中的三級(jí)識(shí)別子模型，確定每個(gè)二級(jí)圖像特征所對(duì)應(yīng)的三級(jí)圖像特征，并基于所述三級(jí)圖像特征調(diào)整所述二級(jí)識(shí)別標(biāo)簽，得到類(lèi)別識(shí)別標(biāo)簽；

基于所述類(lèi)別識(shí)別標(biāo)簽確定所述待識(shí)別圖像是否為涉政圖像。

2.根據(jù)權(quán)利要求1所述的識(shí)別方法，其特征在于，通過(guò)以下步驟訓(xùn)練所述涉政圖像識(shí)別模型：

獲取多張訓(xùn)練樣本圖像、每張訓(xùn)練圖像的樣本識(shí)別標(biāo)簽以及每張訓(xùn)練樣本圖像對(duì)應(yīng)的一級(jí)特征標(biāo)簽、二級(jí)特征標(biāo)簽以及三級(jí)特征標(biāo)簽；

基于所述多張訓(xùn)練樣本圖像、每張訓(xùn)練圖像的樣本識(shí)別標(biāo)簽以及每張訓(xùn)練樣本圖像對(duì)應(yīng)的一級(jí)特征標(biāo)簽、二級(jí)特征標(biāo)簽以及三級(jí)特征標(biāo)簽訓(xùn)練預(yù)先構(gòu)建好的神經(jīng)網(wǎng)絡(luò)，得到所述涉政圖像識(shí)別模型。

3.根據(jù)權(quán)利要求2所述的識(shí)別方法，其特征在于，所述基于所述多張訓(xùn)練樣本圖像、每張訓(xùn)練圖像的樣本識(shí)別標(biāo)簽以及每張訓(xùn)練樣本圖像對(duì)應(yīng)的一級(jí)特征標(biāo)簽、二級(jí)特征標(biāo)簽以及三級(jí)特征標(biāo)簽訓(xùn)練預(yù)先構(gòu)建好的神經(jīng)網(wǎng)絡(luò)，得到所述涉政圖像識(shí)別模型，包括：

將所述多張訓(xùn)練樣本圖像作為輸入特征，將每張訓(xùn)練圖像的樣本識(shí)別標(biāo)簽以及每張訓(xùn)練樣本圖像對(duì)應(yīng)的一級(jí)特征標(biāo)簽作為輸出特征，訓(xùn)練構(gòu)建好的神經(jīng)網(wǎng)絡(luò)中的時(shí)序神經(jīng)網(wǎng)絡(luò)，得到一級(jí)識(shí)別子模型；

將所述多張訓(xùn)練樣本圖像作為輸入特征，將每張訓(xùn)練圖像的樣本識(shí)別標(biāo)簽以及每張訓(xùn)練樣本圖像對(duì)應(yīng)的二級(jí)特征標(biāo)簽作為輸出特征，訓(xùn)練構(gòu)建好的神經(jīng)網(wǎng)絡(luò)中的卷積神經(jīng)網(wǎng)絡(luò)，得到二級(jí)識(shí)別子模型；

將所述多張訓(xùn)練樣本圖像作為輸入特征，將每張訓(xùn)練圖像的樣本識(shí)別標(biāo)簽以及每張訓(xùn)練樣本圖像對(duì)應(yīng)的三級(jí)特征標(biāo)簽作為輸出特征，訓(xùn)練構(gòu)建好的神經(jīng)網(wǎng)絡(luò)中的卷積神經(jīng)網(wǎng)絡(luò)，得到三級(jí)識(shí)別子模型；

基于所述一級(jí)識(shí)別子模型、所述二級(jí)識(shí)別子模型以及所述三級(jí)識(shí)別子模型，確定涉政圖像識(shí)別模型。

4.根據(jù)權(quán)利要求3所述的識(shí)別方法，其特征在于，所述基于所述一級(jí)識(shí)別子模型、所述二級(jí)識(shí)別子模型以及所述三級(jí)識(shí)別子模型，確定涉政圖像識(shí)別模型，包括：

獲取多張驗(yàn)證圖像、每張驗(yàn)證圖像的樣本驗(yàn)證標(biāo)簽以及每張訓(xùn)練樣本圖像二級(jí)驗(yàn)證標(biāo)簽以及三級(jí)驗(yàn)證標(biāo)簽；

通過(guò)所述一級(jí)識(shí)別子模型，確定每個(gè)驗(yàn)證圖像的一級(jí)識(shí)別結(jié)果；

基于每個(gè)驗(yàn)證圖像的一級(jí)識(shí)別結(jié)果和每個(gè)驗(yàn)證圖像對(duì)應(yīng)的樣本驗(yàn)證標(biāo)簽，確定一級(jí)識(shí)別子模型的第一損失函數(shù)值；

通過(guò)所述二級(jí)識(shí)別子模型，確定每個(gè)驗(yàn)證圖像的二級(jí)識(shí)別結(jié)果；

基于每個(gè)驗(yàn)證圖像的二級(jí)識(shí)別結(jié)果和每個(gè)驗(yàn)證圖像對(duì)應(yīng)的二級(jí)驗(yàn)證標(biāo)簽，確定二級(jí)識(shí)別子模型的第二損失函數(shù)值；

通過(guò)所述三級(jí)識(shí)別子模型，確定每個(gè)驗(yàn)證圖像的三級(jí)識(shí)別結(jié)果；

基于每個(gè)驗(yàn)證圖像的三級(jí)識(shí)別結(jié)果和每個(gè)驗(yàn)證圖像對(duì)應(yīng)的三級(jí)驗(yàn)證標(biāo)簽，確定三級(jí)識(shí)別子模型的第三損失函數(shù)值；

基于所述第一損失函數(shù)值、第二損失函數(shù)值以及第三損失函數(shù)值，計(jì)算所涉政圖像識(shí)別模型的總損失函數(shù)值；

基于所述總損失函數(shù)值，通過(guò)梯度反向傳播算法，分別調(diào)節(jié)所述一級(jí)識(shí)別子模型的網(wǎng)絡(luò)參數(shù)、所述二級(jí)識(shí)別子模型的網(wǎng)絡(luò)參數(shù)以及所述三級(jí)識(shí)別子模型的網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練好的一級(jí)識(shí)別子模型、訓(xùn)練好的二級(jí)識(shí)別子模型以及訓(xùn)練好的三級(jí)識(shí)別子模型；

基于所述訓(xùn)練好的一級(jí)識(shí)別子模型、所述訓(xùn)練好的二級(jí)識(shí)別子模型以及所述訓(xùn)練好的三級(jí)識(shí)別子模型，得到訓(xùn)練好的涉政圖像識(shí)別模型。

5.根據(jù)權(quán)利要求1所述的識(shí)別方法，其特征在于，確定出所述待識(shí)別圖像是否為涉政圖像后，所述識(shí)別方法包括：

當(dāng)確定出所述待識(shí)別圖像為涉政圖像后，將所述類(lèi)別識(shí)別標(biāo)簽以及所述待識(shí)別圖像發(fā)送給審核用戶(hù)，以供所述審核用戶(hù)對(duì)所述待識(shí)別圖像進(jìn)行核查。