CN112052911A - 识别图像中暴恐内容的方法、装置、电子设备和存储介质 - Google Patents
识别图像中暴恐内容的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112052911A CN112052911A CN202011009090.2A CN202011009090A CN112052911A CN 112052911 A CN112052911 A CN 112052911A CN 202011009090 A CN202011009090 A CN 202011009090A CN 112052911 A CN112052911 A CN 112052911A
- Authority
- CN
- China
- Prior art keywords
- riot
- terrorist
- image
- sample
- scene
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 121
- 238000013136 deep learning model Methods 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004880 explosion Methods 0.000 claims description 8
- 230000000740 bleeding effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种识别图像中暴恐内容的方法、装置、电子设备和存储介质,方法包括:对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素;对所述图像进行场景识别以确定所述图像是否包含暴恐场景;若确定所述图像包含暴恐元素且包含暴恐场景,则确定所述图像中有暴恐内容。本公开实施例的技术方案能够提高识别准确率和计算效率。
Description
技术领域
本发明实施例涉及网络安全技术领域,具体涉及一种识别图像中暴恐内容的方法、装置、电子设备和存储介质。
背景技术
近年来,大量境内外暴恐内容在互联网上非法传播,已经成为危害社会稳定的重大毒瘤。在面向互联网的内容监督和管理技术中,国内外都对有害内容识别进行了较为广泛和深入的研究。互联网企业也先后开发出识别暴恐信息的产品,主要采用关键字技术,或黑名单技术,即将事先已经发现有问题的网站列入被禁止访问的名单里,从而控制访问。
众所周知,随着移动通讯技术的不断深入发展,通过手机、电脑、平板等终端向用户提供的数据呈现指数级增长,因此提高处理和分析这类图片准确度和性能是非常必要的。然而,现有技术虽然已经在某些场合解决了很多重要问题,但仍存在一定的缺陷:黑名单技术是基于经验的技术,耗时耗力,在海量数据面前杯水车薪;视觉描述子技术迈出了自动检测第一步,但视觉描述子本身的表达局限性限制了在准确率上的提升;基于语义的检测方法多是基于概念的操作,因在现实实现上存在诸多阻碍,应用面非常窄。
发明内容
有鉴于此,本发明实施例提供一种识别图像中暴恐内容的方法、装置、电子设备、及存储介质,以提高识别暴恐内容的准确率。
本发明实施例的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明实施例的实践而习得。
在本公开的第一方面,本发明实施例提供了一种识别图像中暴恐内容的方法,包括:
对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素;
对所述图像进行场景识别以确定所述图像是否包含暴恐场景;
若确定所述图像包含暴恐元素且包含暴恐场景,则确定所述图像中有暴恐内容。
于一实施例中,在对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素之前还包括:对所述图像进行剪裁得到多个子图像,将所述图像以及所述多个子图像作为待识别图像以形成待识别图像集;
对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素包括:对所述待识别图像集所包含的多个待识别图像进行暴恐元素检测以确定所述待识别图像集中是否存在任一待识别图像包含暴恐元素;和/或
对所述图像进行场景识别以确定所述图像是否包含暴恐场景包括:对所述待识别图像集所包含的多个待识别图像进行场景识别以确定所述待识别图像集中是否存在任一待识别图像包含暴恐场景。
于一实施例中,所述暴恐元素包括具有暴恐因素的实物、具有暴恐因素的人物形象、以及具有暴恐因素的台标/标语。
于一实施例中,所述具有暴恐因素的实物包括***、刀具、旗帜、具有***因素的实物、以及具有流血因素的实物中的至少一种;
所述具有暴恐因素的人物形象包括蒙面形象、以及大胡子形象的至少一种。
于一实施例中,对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素包括:将所述图像输入至预先训练的暴恐元素识别模型,获取所述暴恐元素识别模型的输出结果信息,其中,所述输出结果信息用于表示所述图像中是否包含暴恐元素。
于一实施例中,所述暴恐元素识别模型包括用于识别具有暴恐因素的实物和/或具有暴恐因素的人物形象的第一暴恐元素识别子模型,所述第一暴恐元素识别子模型通过如下方式训练得到:
获取训练样本集合,其中,训练样本包括样本图像和用于表示样本图像显示的内容是否包含暴恐元素的标注信息;
确定初始化的第一暴恐元素识别子模型,其中所述初始化的第一暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的实物和/或具有暴恐因素的人物形象的概率的目标层;
利用深度学习的方法,将所述训练样本集合中的训练样本中的样本图像作为初始化的第一暴恐元素识别子模型的输入,将与输入的样本图像对应的标注信息作为初始化的第一暴恐元素识别子模型的期望输出,训练得到所述第一暴恐元素识别子模型。
于一实施例中,所述初始化的第一暴恐元素识别子模型为基于卷积神经网络的深度学习模型。
于一实施例中,所述暴恐元素识别模型包括用于识别具有暴恐因素的台标/标语的第二暴恐元素识别子模型,所述第二暴恐元素识别子模型通过如下方式训练得到:
获取训练样本集合,其中,训练样本包括多类样本图像集;
确定初始化的第二暴恐元素识别子模型,其中所述初始化的第二暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的台标/标语的概率的目标层;
利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像作为初始化的第二暴恐元素识别子模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的第二暴恐元素识别子模型的期望输出,训练得到所述第二暴恐元素识别子模型。
于一实施例中,所述初始化的第二暴恐元素识别子模型为基于深度残差网络的深度学习模型。
于一实施例中,所述获取训练样本集合包括:
通过爬虫网络抓取网络上海量的图片/视频图像;
对所述海量的图片/视频图像中具有暴恐因素的台标/标语的图片/视频图像根据所属台标/标语进行分类分别存入不同文件夹中得到所述多类样本图像集。
于一实施例中,对所述图像进行场景识别以确定所述图像是否包含暴恐场景包括:将所述图像输入至预先训练的暴恐场景识别模型,获取所述暴恐场景识别模型的输出结果信息,其中,所述输出结果信息用于表示所述图像中是否包含暴恐场景。
于一实施例中,所述暴恐场景识别模型通过如下方式训练得到:
获取训练样本集合,其中,训练样本包括多类样本图像集;
确定初始化的暴恐场景识别模型,其中所述初始化的暴恐场景识别模型包括用于输出样本图像显示的内容包含暴恐场景的概率的目标层;
利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的期望输出,训练得到所述暴恐场景识别模型。
于一实施例中,所述初始化的暴恐场景识别模型为基于深度残差网络的深度学习模型。
于一实施例中,获取训练样本集合包括:
通过爬虫网络抓取网络上海量的图片/视频图像;
对所述海量的图片/视频图像中具有暴恐场景的图片/视频图像根据所属暴恐场景进行分类分别存入不同文件夹中得所述多类样本图像集。
在本公开的第二方面,本发明实施例还提供了一种识别图像中暴恐内容的装置,包括:
暴恐元素检测单元,用于对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素;
暴恐场景检测单元,用于对所述图像进行场景识别以确定所述图像是否包含暴恐场景;
暴恐内容确定单元,用于若确定所述图像包含暴恐元素且包含暴恐场景,则确定所述图像中有暴恐内容。
于一实施例中,所述装置还包括图像处理单元,用于在对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素之前,对所述图像进行剪裁得到多个子图像,将所述图像以及所述多个子图像作为待识别图像以形成待识别图像集;
所述暴恐元素检测单元用于,对所述待识别图像集所包含的多个待识别图像进行暴恐元素检测以确定所述待识别图像集中是否存在任一待识别图像包含暴恐元素;和/或
所述暴恐场景检测单元用于,对所述待识别图像集所包含的多个待识别图像进行场景识别以确定所述待识别图像集中是否存在任一待识别图像包含暴恐场景。
于一实施例中,所述暴恐元素包括具有暴恐因素的实物、具有暴恐因素的人物形象、以及具有暴恐因素的台标/标语。
于一实施例中,所述具有暴恐因素的实物包括***、刀具、旗帜、具有***因素的实物、以及具有流血因素的实物中的至少一种;所述具有暴恐因素的人物形象包括蒙面形象、以及大胡子形象的至少一种。
于一实施例中,所述暴恐元素检测单元用于,将所述图像输入至预先训练的暴恐元素识别模型,获取所述暴恐元素识别模型的输出结果信息,其中,所述输出结果信息用于表示所述图像中是否包含暴恐元素。
于一实施例中,所述暴恐元素检测单元中所述暴恐元素识别模型包括用于识别具有暴恐因素的实物和/或具有暴恐因素的人物形象的第一暴恐元素识别子模型,所述第一暴恐元素识别子模型通过如下模块训练得到:
第一样本获取模块,用于获取训练样本集合,其中,训练样本包括样本图像和用于表示样本图像显示的内容是否包含暴恐元素的标注信息;
第一模型确定模块,用于确定初始化的第一暴恐元素识别子模型,其中所述初始化的第一暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的实物和/或具有暴恐因素的人物形象的概率的目标层;
第一模型训练模块,用于利用深度学习的方法,将所述训练样本集合中的训练样本中的样本图像作为初始化的第一暴恐元素识别子模型的输入,将与输入的样本图像对应的标注信息作为初始化的第一暴恐元素识别子模型的期望输出,训练得到所述第一暴恐元素识别子模型。
于一实施例中,所述初始化的第一暴恐元素识别子模型为基于卷积神经网络的深度学习模型。
于一实施例中,所述暴恐元素检测单元中所述暴恐元素识别模型包括用于识别具有暴恐因素的台标/标语的第二暴恐元素识别子模型,所述第二暴恐元素识别子模型通过如下模块训练得到:
第二样本获取模块,用于获取训练样本集合,其中,训练样本包括多类样本图像集;
第二模型确定模块,用于确定初始化的第二暴恐元素识别子模型,其中所述初始化的第二暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的台标/标语的概率的目标层;
第二模型训练模块,用于利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像作为初始化的第二暴恐元素识别子模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的第二暴恐元素识别子模型的期望输出,训练得到所述第二暴恐元素识别子模型。
于一实施例中,所述初始化的第二暴恐元素识别子模型为基于深度残差网络的深度学习模型。
于一实施例中,所述第二样本获取模块用于获取训练样本集合包括:
通过爬虫网络抓取网络上海量的图片/视频图像;
对所述海量的图片/视频图像中具有暴恐因素的台标/标语的图片/视频图像根据所属台标/标语进行分类分别存入不同文件夹中得到所述多类样本图像集。
于一实施例中,所述暴恐场景检测单元用于:
将所述图像输入至预先训练的暴恐场景识别模型,获取所述暴恐场景识别模型的输出结果信息,其中,所述输出结果信息用于表示所述图像中是否包含暴恐场景。
于一实施例中,所述暴恐场景识别模型通过如下模块训练得到:
第三样本获取模块,用于获取训练样本集合,其中,训练样本包括多类样本图像集;
第三模型确定模块,用于确定初始化的暴恐场景识别模型,其中所述初始化的暴恐场景识别模型包括用于输出样本图像显示的内容包含暴恐场景的概率的目标层;
第三模型训练模块,用于利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的期望输出,训练得到所述暴恐场景识别模型。
于一实施例中,所述初始化的暴恐场景识别模型为基于深度残差网络的深度学习模型。
于一实施例中,所述第三样本获取模块用于:通过爬虫网络抓取网络上海量的图片/视频图像;对所述海量的图片/视频图像中具有暴恐场景的图片/视频图像根据所属暴恐场景进行分类分别存入不同文件夹中得所述多类样本图像集。
在本公开的第三方面,提供了一种电子设备。该电子设备包括:处理器;以及存储器,用于存储可执行指令,所述可执行指令在被所述处理器执行时使得所述电子设备执行第一方面中的方法。
在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面中的方法。
本发明实施例提出的技术方案的有益技术效果是:
本发明实施例通过对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素,对所述图像进行场景识别以确定所述图像是否包含暴恐场景,若确定所述图像包含暴恐元素且包含暴恐场景,则确定所述图像中有暴恐内容,能够提高识别准确率和计算效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明实施例中的一部分实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是根据本发明实施例提供的一种识别图像中暴恐内容的方法的流程示意图;
图2是根据本发明实施例提供的一种训练第一暴恐元素识别子模型的方法的流程示意图;
图3是根据本发明实施例提供的一种训练第二暴恐元素识别子模型的方法的流程示意图;
图4是根据本发明实施例提供的一种训练暴恐场景识别模型的方法的流程示意图;
图5是根据本发明实施例提供的另一种识别图像中暴恐内容的方法的流程示意图;
图6是根据本发明实施例提供的一种识别图像中暴恐内容的装置的结构示意图;
图7是根据本发明实施例提供的一种训练第一暴恐元素识别子模型的模块的结构示意图;
图8是根据本发明实施例提供的一种训练第二暴恐元素识别子模型的模块的结构示示意图;
图9是根据本发明实施例提供的一种训练暴恐场景识别模型的模块的结构示示意图;
图10是根据本发明实施例提供的另一种识别图像中暴恐内容的装置的结构示意图;
图11示出了适于用来实现本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅仅是本发明实施例中的一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明实施例保护的范围。
需要说明的是,本发明实施例中术语“***”和“网络”在本文中常被可互换使用。本发明实施例中提到的“和/或”是指包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于限定特定顺序。
还需要说明是,本发明实施例中下述各个实施例可以单独执行,各个实施例之间也可以相互结合执行,本发明实施例对此不作具体限制。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面结合附图并通过具体实施方式来进一步说明本发明实施例的技术方案。
图1示出了本发明实施例提供的一种识别图像中暴恐内容的方法的流程示意图,本实施例可适用于通过识别图像中暴恐内容来监测网络安全的情况,该方法可以由配置于电子设备中的用于识别图像中暴恐内容的装置来执行,如图1所示,本实施例所述的识别图像中暴恐内容的方法包括:
在步骤S110中,对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素。
其中,所述暴恐元素包括具有暴力和/或恐怖内容的图像元素,包括多种形式,例如包括具有暴恐因素的实物,包括***、刀具、旗帜、具有***因素的实物、以及具有流血因素的实物等。又如,具有暴恐因素的人物形象,包括蒙面形象、大胡子形象等。再如,具有暴恐因素的台标/标语等。
本步骤可通过预先训练的暴恐元素识别模型进行暴恐元素识别以确定所述图像是否包含暴恐场景,包括:将所述图像输入至预先训练的暴恐元素识别模型,获取所述暴恐元素识别模型的输出结果信息,其中,所述输出结果信息用于表示所述图像中是否包含暴恐元素。
例如,所述暴恐元素识别模型可包括用于识别具有暴恐因素的实物和/或具有暴恐因素的人物形象的第一暴恐元素识别子模型,所述第一暴恐元素识别子模型通过多种方法训练得到,只要能够识别具有暴恐因素的实物和/或具有暴恐因素的人物形象即可。
图2是根据本发明实施例提供的一种训练第一暴恐元素识别子模型的方法的流程示意图,如图2所示,所述第一暴恐元素识别子模型可通过如下方式训练得到:
在步骤S210中,获取训练样本集合,其中,训练样本包括样本图像和用于表示样本图像显示的内容是否包含暴恐元素的标注信息。
在步骤S220中,确定初始化的第一暴恐元素识别子模型,其中所述初始化的第一暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的实物和/或具有暴恐因素的人物形象的概率的目标层。
根据本公开的一个或多个实施例,所述初始化的第一暴恐元素识别子模型可为基于卷积神经网络的深度学习模型。
在步骤S230中,利用深度学习的方法,将所述训练样本集合中的训练样本中的样本图像作为初始化的第一暴恐元素识别子模型的输入,将与输入的样本图像对应的标注信息作为初始化的第一暴恐元素识别子模型的期望输出,训练得到所述第一暴恐元素识别子模型。
又如,所述暴恐元素识别模型可包括用于识别具有暴恐因素的台标/标语的第二暴恐元素识别子模型,所述第二暴恐元素识别子模型通过多种方法训练得到,只要能够识别具有暴恐因素的台标/标语即可。
图3是根据本发明实施例提供的一种训练第二暴恐元素识别子模型的方法的流程示意图,如图3所示,所述第二暴恐元素识别子模型可通过如下方式训练得到:
在步骤S310中,获取训练样本集合,其中,训练样本包括多类样本图像集。
其中,所述获取训练样本集合可采用如下方法:通过爬虫网络抓取网络上海量的图片/视频图像;对所述海量的图片/视频图像中具有暴恐因素的台标/标语的图片/视频图像根据所属台标/标语进行分类分别存入不同文件夹中得到所述多类样本图像集。
在步骤S320中,确定初始化的第二暴恐元素识别子模型,其中所述初始化的第二暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的台标/标语的概率的目标层。
根据本公开的一个或多个实施例,所述初始化的第二暴恐元素识别子模型可为基于深度残差网络的深度学习模型。
在步骤S330中,利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像作为初始化的第二暴恐元素识别子模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的第二暴恐元素识别子模型的期望输出,训练得到所述第二暴恐元素识别子模型。
在步骤S120中,对所述图像进行场景识别以确定所述图像是否包含暴恐场景。
本步骤可通过预先训练的暴恐场景识别模型进行场景识别以确定所述图像是否包含暴恐场景,包括:将所述图像输入至预先训练的暴恐场景识别模型,获取所述暴恐场景识别模型的输出结果信息,其中,所述输出结果信息用于表示所述图像中是否包含暴恐场景。
其中,所述暴恐场景识别模型可通过多种方式训练得到,只要能在输入图像后,确定所输入图像中是否包含暴恐场景即可。
例如,图4示例性地示出了一种训练第一暴恐元素识别子模型的方法的流程示意图,如图4所示,所述暴恐场景识别模型可通过如下方式训练得到:
在步骤S410中,获取训练样本集合,其中,训练样本包括多类样本图像集。
根据本公开的一个或多个实施例,所述训练样本集合可通过如下方式获取:通过爬虫网络抓取网络上海量的图片/视频图像,对所述海量的图片/视频图像中具有暴恐场景的图片/视频图像根据所属暴恐场景进行分类分别存入不同文件夹中得所述多类样本图像集。
在步骤S420中,确定初始化的暴恐场景识别模型,其中所述初始化的暴恐场景识别模型包括用于输出样本图像显示的内容包含暴恐场景的概率的目标层。
在步骤S430中,利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的期望输出,训练得到所述暴恐场景识别模型。
根据本公开的一个或多个实施例,所述初始化的暴恐场景识别模型为基于深度残差网络的深度学习模型。
在步骤S130中,若确定所述图像包含暴恐元素且包含暴恐场景,则确定所述图像中有暴恐内容。
需要说明的是,在判定图像内容是否是涉恐的时候,判定图像内容是否是涉恐,不能够仅仅判断图像中是否包含暴恐元素,还需要进一步判断图像是否包含暴恐场景才能确定,例如图像中识别到一把刀,如果是在有水果的茶几上、刀具商店里、以及厨房等场景下,则不属于涉恐图像。
本实施例在判定图像内容是否是涉恐的时候,将场景识别也作为整个流程中一个不可或缺的部分,能够提高识别的精确性,避免误判。
图5示出了本发明实施例提供的另一种识别图像中暴恐内容的方法的流程示意图,本实施例以前述实施例为基础,进行了改进优化。如图5所示,本实施例所述的识别图像中暴恐内容的方法包括:
在步骤S510中,对所述图像进行剪裁得到多个子图像,将所述图像以及所述多个子图像作为待识别图像以形成待识别图像集。
例如,对所述图像进行剪裁得到5个子图像,将所述图像以及所述5个子图像一起作为待识别的6个图像以形成待识别图像集。
在步骤S520中,对所述待识别图像集所包含的多个待识别图像进行暴恐元素检测以确定所述待识别图像集中是否存在任一待识别图像包含暴恐元素。
可分别对待识别图像集中任一待识别图像按照图1所述技术方案中的步骤S110的方法确定所述待识别图像集中是否存在任一待识别图像包含暴恐元素。
在步骤S530中,对所述待识别图像集所包含的多个待识别图像进行场景识别以确定所述待识别图像集中是否存在任一待识别图像包含暴恐场景。
可分别对待识别图像集中任一待识别图像按照图1所述技术方案中的步骤S120的方法确定所述待识别图像集中是否存在任一待识别图像包含暴恐场景。
需要说明的是,上述步骤S520和S530中涉及分别对待识别图像集中任一待识别图像进行识别,为了提高研判效率,可以通过使用多进程、多线程和多路并发处理,以提升效率。
在步骤S540中,若确定所述待识别图像集包含暴恐元素且包含暴恐场景,则确定所述图像中有暴恐内容。
本实施例在图1所示实施例的基础之上,对图像进行剪裁得到多个子图像,将剪裁得到的多个子图像以及原图像作为待识别图像以形成待识别图像集,能够提高识别图像中暴恐内容时的识别精度。
作为上述各图所示方法的实现,本申请提供了一种识别图像中暴恐内容的装置的一个实施例,图6示出了本实施例提供的一种识别图像中暴恐内容的装置的结构示意图,该装置实施例与图1和图5所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。如图6所示,本实施例所述的识别图像中暴恐内容的装置包括暴恐元素检测单元610、暴恐场景检测单元620和暴恐内容确定单元630。
所述暴恐元素检测单元610被配置为,用于对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素。
所述暴恐场景检测单元620被配置为,用于对所述图像进行场景识别以确定所述图像是否包含暴恐场景。
所述暴恐内容确定单元630被配置为,用于若确定所述图像包含暴恐元素且包含暴恐场景,则确定所述图像中有暴恐内容。
根据本公开的一个或多个实施例,所述暴恐元素包括具有暴恐因素的实物、具有暴恐因素的人物形象、以及具有暴恐因素的台标/标语。
根据本公开的一个或多个实施例,所述具有暴恐因素的实物包括***、刀具、旗帜、具有***因素的实物、以及具有流血因素的实物中的至少一种;
所述具有暴恐因素的人物形象包括蒙面形象、以及大胡子形象的至少一种。
根据本公开的一个或多个实施例,所述暴恐元素检测单元610被配置为,用于将所述图像输入至预先训练的暴恐元素识别模型,获取所述暴恐元素识别模型的输出结果信息,其中,所述输出结果信息用于表示所述图像中是否包含暴恐元素。
根据本公开的一个或多个实施例,所述暴恐元素检测单元610中所述暴恐元素识别模型包括用于识别具有暴恐因素的实物和/或具有暴恐因素的人物形象的第一暴恐元素识别子模型,图7是根据本发明实施例提供的一种训练第一暴恐元素识别子模型的模块的结构示意图,所述第一暴恐元素识别子模型通过如下模块训练得到:
所述第一样本获取模块710被配置为,用于获取训练样本集合,其中,训练样本包括样本图像和用于表示样本图像显示的内容是否包含暴恐元素的标注信息;
所述第一模型确定模块720被配置为,用于确定初始化的第一暴恐元素识别子模型,其中所述初始化的第一暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的实物和/或具有暴恐因素的人物形象的概率的目标层;
所述第一模型训练模块730被配置为,用于利用深度学习的方法,将所述训练样本集合中的训练样本中的样本图像作为初始化的第一暴恐元素识别子模型的输入,将与输入的样本图像对应的标注信息作为初始化的第一暴恐元素识别子模型的期望输出,训练得到所述第一暴恐元素识别子模型。
进一步地,所述初始化的第一暴恐元素识别子模型为基于卷积神经网络的深度学习模型。
根据本公开的一个或多个实施例,所述暴恐元素检测单元610中所述暴恐元素识别模型包括用于识别具有暴恐因素的台标/标语的第二暴恐元素识别子模型,图8是根据本发明实施例提供的一种训练第二暴恐元素识别子模型的模块的结构示示意图,所述第二暴恐元素识别子模型通过如下模块训练得到:
所述第二样本获取模块810被配置为,用于获取训练样本集合,其中,训练样本包括多类样本图像集。
所述第二模型确定模块820被配置为,用于确定初始化的第二暴恐元素识别子模型,其中所述初始化的第二暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的台标/标语的概率的目标层。
所述第二模型训练模块830被配置为,用于利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像作为初始化的第二暴恐元素识别子模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的第二暴恐元素识别子模型的期望输出,训练得到所述第二暴恐元素识别子模型。
进一步地,所述初始化的第二暴恐元素识别子模型为基于深度残差网络的深度学习模型。
根据本公开的一个或多个实施例,所述第二样本获取模块810被配置为用于获取训练样本集合包括:通过爬虫网络抓取网络上海量的图片/视频图像;对所述海量的图片/视频图像中具有暴恐因素的台标/标语的图片/视频图像根据所属台标/标语进行分类分别存入不同文件夹中得到所述多类样本图像集。
进一步地,所述暴恐场景检测单元620被配置为,用于将所述图像输入至预先训练的暴恐场景识别模型,获取所述暴恐场景识别模型的输出结果信息,其中,所述输出结果信息用于表示所述图像中是否包含暴恐场景。
进一步地,图9是根据本发明实施例提供的一种训练第一暴恐元素识别子模型的模块的结构示示意图,所述暴恐场景识别模型通过如下模块训练得到:
所述第三样本获取模块910被配置为,用于获取训练样本集合,其中,训练样本包括多类样本图像集。
所述第三模型确定模块920被配置为,用于确定初始化的暴恐场景识别模型,其中所述初始化的暴恐场景识别模型包括用于输出样本图像显示的内容包含暴恐场景的概率的目标层。
所述第三模型训练模块930被配置为,用于利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的期望输出,训练得到所述暴恐场景识别模型。
根据本公开的一个或多个实施例,所述初始化的暴恐场景识别模型为基于深度残差网络的深度学习模型。
根据本公开的一个或多个实施例,所述第三样本获取模块910被配置为,用于通过爬虫网络抓取网络上海量的图片/视频图像;对所述海量的图片/视频图像中具有暴恐场景的图片/视频图像根据所属暴恐场景进行分类分别存入不同文件夹中得所述多类样本图像集。
本实施例提供的识别图像中暴恐内容的装置可执行本公开方法实施例所提供的识别图像中暴恐内容的方法,具备执行方法相应的功能模块和有益效果。
图10示出了本发明实施例提供的另一种识别图像中暴恐内容的装置的结构示意图,如图10所示,本实施例所述的识别图像中暴恐内容的装置包括图像处理单元1010、暴恐元素检测单元1020、暴恐场景检测单元1030、以及暴恐内容确定单元1040。
所述图像处理单元1010被配置为,用于对所述图像进行剪裁得到多个子图像,将所述图像以及所述多个子图像作为待识别图像以形成待识别图像集。
所述暴恐元素检测单元1020被配置为,用于对所述待识别图像集所包含的多个待识别图像进行暴恐元素检测以确定所述待识别图像集中是否存在任一待识别图像包含暴恐元素。
所述暴恐场景检测单元1030被配置为,用于对所述待识别图像集所包含的多个待识别图像进行场景识别以确定所述待识别图像集中是否存在任一待识别图像包含暴恐场景。
所述暴恐内容确定单元1040被配置为,用于若确定所述待识别图像集中存在任一待识别图像包含暴恐元素,且确定所述待识别图像集中是否存在任一待识别图像包含暴恐场景,则确定所述图像中有暴恐内容。
根据本公开的一个或多个实施例,所述暴恐元素包括具有暴恐因素的实物、具有暴恐因素的人物形象、以及具有暴恐因素的台标/标语。
根据本公开的一个或多个实施例,所述具有暴恐因素的实物包括***、刀具、旗帜、具有***因素的实物、以及具有流血因素的实物中的至少一种。
根据本公开的一个或多个实施例,所述具有暴恐因素的人物形象包括蒙面形象、以及大胡子形象的至少一种。
根据本公开的一个或多个实施例,所述暴恐元素检测单元1020被配置为,用于将待识别图像输入至预先训练的暴恐元素识别模型,获取所述暴恐元素识别模型的输出结果信息,其中,所述输出结果信息用于表示所述待识别图像中是否包含暴恐元素。
根据本公开的一个或多个实施例,所述暴恐元素检测单元1020中所述暴恐元素识别模型包括用于识别具有暴恐因素的实物和/或具有暴恐因素的人物形象的第一暴恐元素识别子模型,如图7所示,所述第一暴恐元素识别子模型通过如下模块训练得到:
第一样本获取模块710被配置为,用于获取训练样本集合,其中,训练样本包括样本图像和用于表示样本图像显示的内容是否包含暴恐元素的标注信息。
第一模型确定模块720被配置为,用于确定初始化的第一暴恐元素识别子模型,其中所述初始化的第一暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的实物和/或具有暴恐因素的人物形象的概率的目标层。
第一模型训练模块730被配置为,用于利用深度学习的方法,将所述训练样本集合中的训练样本中的样本图像作为初始化的第一暴恐元素识别子模型的输入,将与输入的样本图像对应的标注信息作为初始化的第一暴恐元素识别子模型的期望输出,训练得到所述第一暴恐元素识别子模型。
进一步地,所述初始化的第一暴恐元素识别子模型为基于卷积神经网络的深度学习模型。
根据本公开的一个或多个实施例,所述暴恐元素检测单元1020中所述暴恐元素识别模型包括用于识别具有暴恐因素的台标/标语的第二暴恐元素识别子模型,如图8所示,所述第二暴恐元素识别子模型通过如下模块训练得到:
第二样本获取模块810,用于获取训练样本集合,其中,训练样本包括多类样本图像集。
第二模型确定模块820,用于确定初始化的第二暴恐元素识别子模型,其中所述初始化的第二暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的台标/标语的概率的目标层。
第二模型训练模块830,用于利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像作为初始化的第二暴恐元素识别子模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的第二暴恐元素识别子模型的期望输出,训练得到所述第二暴恐元素识别子模型。
根据本公开的一个或多个实施例,所述初始化的第二暴恐元素识别子模型为基于深度残差网络的深度学习模型。
根据本公开的一个或多个实施例,所述第二样本获取模块810用于获取训练样本集合包括:
通过爬虫网络抓取网络上海量的图片/视频图像;
对所述海量的图片/视频图像中具有暴恐因素的台标/标语的图片/视频图像根据所属台标/标语进行分类分别存入不同文件夹中得到所述多类样本图像集。
根据本公开的一个或多个实施例,所述暴恐场景检测单元1030被配置为,用于将待识别图像输入至预先训练的暴恐场景识别模型,获取所述暴恐场景识别模型的输出结果信息,其中,所述输出结果信息用于表示所述待识别图像中是否包含暴恐场景。
如图9所示,所述暴恐场景识别模型通过如下模块训练得到:
第三样本获取模块910被配置为,用于获取训练样本集合,其中,训练样本包括多类样本图像集。
第三模型确定模块920被配置为,用于确定初始化的暴恐场景识别模型,其中所述初始化的暴恐场景识别模型包括用于输出样本图像显示的内容包含暴恐场景的概率的目标层。
第三模型训练模块930被配置为,用于利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的期望输出,训练得到所述暴恐场景识别模型。
根据本公开的一个或多个实施例,所述初始化的暴恐场景识别模型为基于深度残差网络的深度学习模型。
进一步地,所述第三样本获取模块910被配置为,用于通过爬虫网络抓取网络上海量的图片/视频图像;对所述海量的图片/视频图像中具有暴恐场景的图片/视频图像根据所属暴恐场景进行分类分别存入不同文件夹中得所述多类样本图像集。
本实施例提供的识别图像中暴恐内容的装置可执行本公开方法实施例所提供的识别图像中暴恐内容的方法,具备执行方法相应的功能模块和有益效果。
下面参考图11,其示出了适于用来实现本发明实施例的电子设备1100的结构示意图。本发明实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图11示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示,电子设备1100可以包括处理装置(例如中央处理器、图形处理器等)1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储装置1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中,还存储有电子设备1100操作所需的各种程序和数据。处理装置1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
通常,以下装置可以连接至I/O接口1105:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1106;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1107;包括例如磁带、硬盘等的存储装置1108;以及通信装置1109。通信装置1109可以允许电子设备1100与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备1100,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本发明实施例的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明实施例的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置1109从网络上被下载和安装,或者从存储装置1108被安装,或者从ROM 1102被安装。在该计算机程序被处理装置1101执行时,执行本发明实施例的方法中限定的上述功能。
需要说明的是,本发明实施例上述的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或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本发明实施例中,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***、装置或者器件使用或者与其结合使用。而在本发明实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素;对所述图像进行场景识别以确定所述图像是否包含暴恐场景;若确定所述图像包含暴恐元素且包含暴恐场景,则确定所述图像中有暴恐内容。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明实施例各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
以上描述仅为本发明实施例的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明实施例中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (17)
1.一种识别图像中暴恐内容的方法,其特征在于,包括:
对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素;
对所述图像进行场景识别以确定所述图像是否包含暴恐场景;
若确定所述图像包含暴恐元素且包含暴恐场景,则确定所述图像中有暴恐内容。
2.根据权利要求1所述的方法,其特征在于,在对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素之前还包括:
对所述图像进行剪裁得到多个子图像,将所述图像以及所述多个子图像作为待识别图像以形成待识别图像集;
对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素包括:对所述待识别图像集所包含的多个待识别图像进行暴恐元素检测以确定所述待识别图像集中是否存在任一待识别图像包含暴恐元素;和/或
对所述图像进行场景识别以确定所述图像是否包含暴恐场景包括:对所述待识别图像集所包含的多个待识别图像进行场景识别以确定所述待识别图像集中是否存在任一待识别图像包含暴恐场景。
3.根据权利要求1所述的方法,其特征在于,所述暴恐元素包括具有暴恐因素的实物、具有暴恐因素的人物形象、以及具有暴恐因素的台标/标语。
4.根据权利要求3所述的方法,其特征在于,所述具有暴恐因素的实物包括***、刀具、旗帜、具有***因素的实物、以及具有流血因素的实物中的至少一种;
所述具有暴恐因素的人物形象包括蒙面形象、以及大胡子形象的至少一种。
5.根据权利要求1所述的方法,其特征在于,对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素包括:
将所述图像输入至预先训练的暴恐元素识别模型,获取所述暴恐元素识别模型的输出结果信息,其中,所述输出结果信息用于表示所述图像中是否包含暴恐元素。
6.根据权利要求5所述的方法,其特征在于,所述暴恐元素识别模型包括用于识别具有暴恐因素的实物和/或具有暴恐因素的人物形象的第一暴恐元素识别子模型,所述第一暴恐元素识别子模型通过如下方式训练得到:
获取训练样本集合,其中,训练样本包括样本图像和用于表示样本图像显示的内容是否包含暴恐元素的标注信息;
确定初始化的第一暴恐元素识别子模型,其中所述初始化的第一暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的实物和/或具有暴恐因素的人物形象的概率的目标层;
利用深度学习的方法,将所述训练样本集合中的训练样本中的样本图像作为初始化的第一暴恐元素识别子模型的输入,将与输入的样本图像对应的标注信息作为初始化的第一暴恐元素识别子模型的期望输出,训练得到所述第一暴恐元素识别子模型。
7.根据权利要求6所述的方法,其特征在于,所述初始化的第一暴恐元素识别子模型为基于卷积神经网络的深度学习模型。
8.根据权利要求5所述的方法,其特征在于,所述暴恐元素识别模型包括用于识别具有暴恐因素的台标/标语的第二暴恐元素识别子模型,所述第二暴恐元素识别子模型通过如下方式训练得到:
获取训练样本集合,其中,训练样本包括多类样本图像集;
确定初始化的第二暴恐元素识别子模型,其中所述初始化的第二暴恐元素识别子模型包括用于输出样本图像显示的内容具有暴恐因素的台标/标语的概率的目标层;
利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像作为初始化的第二暴恐元素识别子模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的第二暴恐元素识别子模型的期望输出,训练得到所述第二暴恐元素识别子模型。
9.根据权利要求8所述的方法,其特征在于,所述初始化的第二暴恐元素识别子模型为基于深度残差网络的深度学习模型。
10.根据权利要求8所述的方法,其特征在于,所述获取训练样本集合包括:
通过爬虫网络抓取网络上海量的图片/视频图像;
对所述海量的图片/视频图像中具有暴恐因素的台标/标语的图片/视频图像根据所属台标/标语进行分类分别存入不同文件夹中得到所述多类样本图像集。
11.根据权利要求1所述的方法,其特征在于,对所述图像进行场景识别以确定所述图像是否包含暴恐场景包括:
将所述图像输入至预先训练的暴恐场景识别模型,获取所述暴恐场景识别模型的输出结果信息,其中,所述输出结果信息用于表示所述图像中是否包含暴恐场景。
12.根据权利要求11所述的方法,其特征在于,所述暴恐场景识别模型通过如下方式训练得到:
获取训练样本集合,其中,训练样本包括多类样本图像集;
确定初始化的暴恐场景识别模型,其中所述初始化的暴恐场景识别模型包括用于输出样本图像显示的内容包含暴恐场景的概率的目标层;
利用深度学习的方法,将所述训练样本集合中的各类样本图像集所包含的训练样本中的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的输入,将与输入的样本图像所属的样本图像集类别作为初始化的暴恐场景识别模型的期望输出,训练得到所述暴恐场景识别模型。
13.根据权利要求12所述的方法,其特征在于,所述初始化的暴恐场景识别模型为基于深度残差网络的深度学习模型。
14.根据权利要求12所述的方法,其特征在于,获取训练样本集合包括:
通过爬虫网络抓取网络上海量的图片/视频图像;
对所述海量的图片/视频图像中具有暴恐场景的图片/视频图像根据所属暴恐场景进行分类分别存入不同文件夹中得所述多类样本图像集。
15.一种识别图像中暴恐内容的装置,其特征在于,包括:
暴恐元素检测单元,用于对图像进行暴恐元素检测以确定所述图像中是否包含暴恐元素;
暴恐场景检测单元,用于对所述图像进行场景识别以确定所述图像是否包含暴恐场景;
暴恐内容确定单元,用于若确定所述图像包含暴恐元素且包含暴恐场景,则确定所述图像中有暴恐内容。
16.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储可执行指令,所述可执行指令在被所述一个或多个处理器执行时,使得所述电子设备执行如权利要求1-14中任一项所述的方法。
17.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-14任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011009090.2A CN112052911A (zh) | 2020-09-23 | 2020-09-23 | 识别图像中暴恐内容的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011009090.2A CN112052911A (zh) | 2020-09-23 | 2020-09-23 | 识别图像中暴恐内容的方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052911A true CN112052911A (zh) | 2020-12-08 |
Family
ID=73604618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011009090.2A Pending CN112052911A (zh) | 2020-09-23 | 2020-09-23 | 识别图像中暴恐内容的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052911A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801237A (zh) * | 2021-04-15 | 2021-05-14 | 北京远鉴信息技术有限公司 | 暴恐内容识别模型的训练方法、训练装置及可读存储介质 |
CN112906588A (zh) * | 2021-03-01 | 2021-06-04 | 上海交通大学 | 基于深度学习的暴恐图片安全检测*** |
WO2023029665A1 (zh) * | 2021-09-02 | 2023-03-09 | 上海哔哩哔哩科技有限公司 | 图像场景识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921002A (zh) * | 2018-04-23 | 2018-11-30 | 中国科学院自动化研究所 | 基于多线索融合的暴恐音视频识别方法及装置 |
US20190057286A1 (en) * | 2017-08-16 | 2019-02-21 | Microsoft Technology Licensing, Llc | Crime scene analysis using machine learning |
CN109376603A (zh) * | 2018-09-25 | 2019-02-22 | 北京周同科技有限公司 | 一种视频识别方法、装置、计算机设备及存储介质 |
CN110647905A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 一种基于伪脑网络模型下的涉恐场景识别方法 |
CN110956190A (zh) * | 2018-09-27 | 2020-04-03 | 深圳云天励飞技术有限公司 | 图像识别方法及装置、计算机装置和计算机可读存储介质 |
-
2020
- 2020-09-23 CN CN202011009090.2A patent/CN112052911A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190057286A1 (en) * | 2017-08-16 | 2019-02-21 | Microsoft Technology Licensing, Llc | Crime scene analysis using machine learning |
CN108921002A (zh) * | 2018-04-23 | 2018-11-30 | 中国科学院自动化研究所 | 基于多线索融合的暴恐音视频识别方法及装置 |
CN109376603A (zh) * | 2018-09-25 | 2019-02-22 | 北京周同科技有限公司 | 一种视频识别方法、装置、计算机设备及存储介质 |
CN110956190A (zh) * | 2018-09-27 | 2020-04-03 | 深圳云天励飞技术有限公司 | 图像识别方法及装置、计算机装置和计算机可读存储介质 |
CN110647905A (zh) * | 2019-08-02 | 2020-01-03 | 杭州电子科技大学 | 一种基于伪脑网络模型下的涉恐场景识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906588A (zh) * | 2021-03-01 | 2021-06-04 | 上海交通大学 | 基于深度学习的暴恐图片安全检测*** |
CN112801237A (zh) * | 2021-04-15 | 2021-05-14 | 北京远鉴信息技术有限公司 | 暴恐内容识别模型的训练方法、训练装置及可读存储介质 |
WO2023029665A1 (zh) * | 2021-09-02 | 2023-03-09 | 上海哔哩哔哩科技有限公司 | 图像场景识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111381909B (zh) | 一种页面展示方法、装置、终端设备及存储介质 | |
CN112052911A (zh) | 识别图像中暴恐内容的方法、装置、电子设备和存储介质 | |
CN109919244B (zh) | 用于生成场景识别模型的方法和装置 | |
CN111445902B (zh) | 数据收集方法、装置、存储介质及电子设备 | |
CN108921002B (zh) | 基于多线索融合的暴恐音视频识别方法及装置 | |
KR102002024B1 (ko) | 객체 라벨링 처리 방법 및 객체 관리 서버 | |
CN109684589B (zh) | 客户端的评论数据的处理方法、装置及计算机存储介质 | |
CN114495128B (zh) | 字幕信息检测方法、装置、设备以及存储介质 | |
CN110177295B (zh) | 字幕越界的处理方法、装置和电子设备 | |
CN111368562A (zh) | 翻译图片中的文字的方法、装置、电子设备、及存储介质 | |
CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
CN108763532A (zh) | 用于推送信息、展现信息的方法和设备 | |
CN113222983A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN111666898A (zh) | 用于识别车辆所属类别的方法和装置 | |
CN110475158B (zh) | 视频学习素材的提供方法、装置、电子设备及可读介质 | |
CN112990142B (zh) | 一种基于ocr的视频导图生成方法、装置、设备及存储介质 | |
CN111626922B (zh) | 图片生成方法、装置、电子设备及计算机可读存储介质 | |
CN113869063A (zh) | 数据推荐方法、装置、电子设备及存储介质 | |
CN113065482A (zh) | 基于图像识别的行为检测方法、***、计算机设备及介质 | |
CN110414625B (zh) | 确定相似数据的方法、装置、电子设备及存储介质 | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN116912478A (zh) | 目标检测模型构建、图像分类方法、电子设备 | |
CN113033552B (zh) | 文本识别方法、装置和电子设备 | |
CN115757756A (zh) | 内容检索方法、装置、介质及电子设备 | |
CN115730104A (zh) | 直播间处理方法、装置、设备及介质 |
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: 20201208 |
|
RJ01 | Rejection of invention patent application after publication |