CN112990147A - 一种涉政图像的识别方法、装置、电子设备及存储介质 - Google Patents
一种涉政图像的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112990147A CN112990147A CN202110488327.8A CN202110488327A CN112990147A CN 112990147 A CN112990147 A CN 112990147A CN 202110488327 A CN202110488327 A CN 202110488327A CN 112990147 A CN112990147 A CN 112990147A
- Authority
- CN
- China
- Prior art keywords
- image
- identification
- label
- administrative
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种涉政图像的识别方法、装置、电子设备及存储介质。获取待识别图像;将待识别图像输入至预先训练好的涉政图像识别模型中,通过涉政图像识别模型中的一级识别子模型,识别待识别图像中的一级图像特征,确定待识别图像的初始识别标签;通过二级识别子模型,确定二级图像特征,并基于二级图像特征调整初始识别标签,得到二级识别标签;通过三级识别子模型,确定三级图像特征,并基于三级图像特征调整二级识别标签,得到类别识别标签;基于类别识别标签确定待识别图像是否为涉政图像。这样,本申请通过对图像进行多特征分析,可以有效的提高涉政图片的识别效率以及提高涉政图片识别的命中率。
Description
技术领域
本申请涉及图像识别技术领域,尤其是涉及一种涉政图像的识别方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的蓬勃发展,社交媒体上展示与分享的内容也越来越丰富,无论是官方还是个人都可以通过社交媒体发布通知或发表言论。然而,社交媒体作为一个开放性平台,也会被一些不法分子利用,发布一些攻击或抹黑国家以及影响社会和谐稳定的涉政相关内容。对于有关涉政的文字内容,可以通过设置关键字或者关键文本进行拦截,但是由于涉政图片定义较复杂,难区分,无法应用传统的图片检测、图片识别方法进行区分。因此如何从海量图片中准确高效地查询涉政图片一直是公安单位亟待解决的问题。
发明内容
有鉴于此,本申请的目的在于提供一种涉政图像的识别方法、装置、电子设备及存储介质,通过对图像进行多级特征识别与分析,提高了涉政图片的识别效率以及识别命中率。
本申请实施例提供了一种涉政图像的识别方法,所述识别方法包括:
获取待识别图像;
将所述待识别图像输入至预先训练好的涉政图像识别模型中,通过所述涉政图像识别模型中的一级识别子模型,识别所述待识别图像中的一级图像特征,并基于所述一级图像特征确定所述待识别图像的初始识别标签;
通过所述涉政图像识别模型中的二级识别子模型,确定每个一级图像特征所对应的二级图像特征,并基于所述二级图像特征调整所述初始识别标签,得到二级识别标签;
通过所述涉政图像识别模型中的三级识别子模型,确定每个二级图像特征所对应的三级图像特征,并基于所述三级图像特征调整所述二级识别标签,得到类别识别标签;
基于所述类别识别标签确定所述待识别图像是否为涉政图像。
进一步的,通过以下步骤训练所述涉政图像识别模型:
获取多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签;
基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型。
进一步的,所述基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型,包括:
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签作为输出特征,训练构建好的神经网络中的时序神经网络,得到一级识别子模型;
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的二级特征标签作为输出特征,训练构建好的神经网络中的卷积神经网络,得到二级识别子模型;
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的三级特征标签作为输出特征,训练构建好的神经网络中的卷积神经网络,得到三级识别子模型;
基于所述一级识别子模型、所述二级识别子模型以及所述三级识别子模型,确定涉政图像识别模型。
进一步的,所述基于所述一级识别子模型、所述二级识别子模型以及所述三级识别子模型,确定涉政图像识别模型,包括:
获取多张验证图像、每张验证图像的样本验证标签以及每张训练样本图像二级验证标签以及三级验证标签;
通过所述一级识别子模型,确定每个验证图像的一级识别结果;
基于每个验证图像的一级识别结果和每个验证图像对应的样本验证标签,确定一级识别子模型的第一损失函数值;
通过所述二级识别子模型,确定每个验证图像的二级识别结果;
基于每个验证图像的二级识别结果和每个验证图像对应的二级验证标签,确定二级识别子模型的第二损失函数值;
通过所述三级识别子模型,确定每个验证图像的三级识别结果;
基于每个验证图像的三级识别结果和每个验证图像对应的三级验证标签,确定三级识别子模型的第三损失函数值;
基于所述第一损失函数值、第二损失函数值以及第三损失函数值,计算所涉政图像识别模型的总损失函数值;
基于所述总损失函数值,通过梯度反向传播算法,分别调节所述一级识别子模型的网络参数、所述二级识别子模型的网络参数以及所述三级识别子模型的网络参数,得到训练好的一级识别子模型、训练好的二级识别子模型以及训练好的三级识别子模型;
基于所述训练好的一级识别子模型、所述训练好的二级识别子模型以及所述训练好的三级识别子模型,得到训练好的涉政图像识别模型。
进一步的,确定出所述待识别图像是否为涉政图像后,所述识别方法包括:
当确定出所述待识别图像为涉政图像后,将所述类别识别标签以及所述待识别图像发送给审核用户,以供所述审核用户对所述待识别图像进行核查。
本申请实施例还提供了一种涉政图像的识别装置,所述识别装置包括:
获取模块,用于获取待识别图像;
初始标签确定模块,用于将所述待识别图像输入至预先训练好的涉政图像识别模型中,通过所述涉政图像识别模型中的一级识别子模型,识别所述待识别图像中的一级图像特征,并基于所述一级图像特征确定所述待识别图像的初始识别标签;
二级标签确定模块,用于通过所述涉政图像识别模型中的二级识别子模型,确定每个一级图像特征所对应的二级图像特征,并基于所述二级图像特征调整所述初始识别标签,得到二级识别标签;
类别标签确定模块,用于通过所述涉政图像识别模型中的三级识别子模型,确定每个二级图像特征所对应的三级图像特征,并基于所述三级图像特征调整所述二级识别标签,得到类别识别标签;
涉政图像确定模块,用于基于所述类别识别标签确定所述待识别图像是否为涉政图像。
进一步的,所述识别装置还包括模型训练模块,所述模型训练模块用于:
获取多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签;
基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型。
进一步的,所述模型训练模块在用于基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型时,所述模型训练模块用于:
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签作为输出特征,训练构建好的神经网络中的时序神经网络,得到一级识别子模型;
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的二级特征标签作为输出特征,训练构建好的神经网络中的卷积神经网络,得到二级识别子模型;
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的三级特征标签作为输出特征,训练构建好的神经网络中的卷积神经网络,得到三级识别子模型;
基于所述一级识别子模型、所述二级识别子模型以及所述三级识别子模型,确定涉政图像识别模型。
进一步的,所述模型训练模块在用于基于所述一级识别子模型、所述二级识别子模型以及所述三级识别子模型,确定涉政图像识别模型时,所述模型训练模块用于:
获取多张验证图像、每张验证图像的样本验证标签以及每张训练样本图像二级验证标签以及三级验证标签;
通过所述一级识别子模型,确定每个验证图像的一级识别结果;
基于每个验证图像的一级识别结果和每个验证图像对应的样本验证标签,确定一级识别子模型的第一损失函数值;
通过所述二级识别子模型,确定每个验证图像的二级识别结果;
基于每个验证图像的二级识别结果和每个验证图像对应的二级验证标签,确定二级识别子模型的第二损失函数值;
通过所述三级识别子模型,确定每个验证图像的三级识别结果;
基于每个验证图像的三级识别结果和每个验证图像对应的三级验证标签,确定三级识别子模型的第三损失函数值;
基于所述第一损失函数值、第二损失函数值以及第三损失函数值,计算所涉政图像识别模型的总损失函数值;
基于所述总损失函数值,通过梯度反向传播算法,分别调节所述一级识别子模型的网络参数、所述二级识别子模型的网络参数以及所述三级识别子模型的网络参数,得到训练好的一级识别子模型、训练好的二级识别子模型以及训练好的三级识别子模型;
基于所述训练好的一级识别子模型、所述训练好的二级识别子模型以及所述训练好的三级识别子模型,得到训练好的涉政图像识别模型。
进一步的,所述识别装置还包括核查模块,所述核查模块用于:
当确定出所述待识别图像为涉政图像后,将所述类别识别标签以及所述待识别图像发送给审核用户,以供所述审核用户对所述待识别图像进行核查。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的涉政图像的识别方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的涉政图像的识别方法的步骤。
本申请实施例提供的一种涉政图像的识别方法、装置、电子设备及存储介质。获取待识别图像;将所述待识别图像输入至预先训练好的涉政图像识别模型中,通过所述涉政图像识别模型中的一级识别子模型,识别所述待识别图像中的一级图像特征,并基于所述一级图像特征确定所述待识别图像的初始识别标签;通过所述涉政图像识别模型中的二级识别子模型,确定每个一级图像特征所对应的二级图像特征,并基于所述二级图像特征调整所述初始识别标签,得到二级识别标签;通过所述涉政图像识别模型中的三级识别子模型,确定每个二级图像特征所对应的三级图像特征,并基于所述三级图像特征调整所述二级识别标签,得到类别识别标签;基于所述类别识别标签确定所述待识别图像是否为涉政图像。
这样,本申请通过对涉政图像添加级联标签以及将级联标签数据采用时序神经网络进行多特征分析,可以有效的提高涉政图片的识别效率以及提高涉政图片识别的命中率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种涉政图像的识别方法的流程图;
图2为涉政图像识别模型的训练方法流程示意图;
图3为本申请实施例所提供的一种涉政图像的识别装置的结构示意图之一;
图4为本申请实施例所提供的一种涉政图像的识别装置的结构示意图之二;
图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
随着互联网技术的蓬勃发展,社交媒体展示与分享的内容也越来越丰富,无论是官方还是个人都可以通过社交媒体发布通知或发表言论。然而,社交媒体作为一个开放性平台,也会被一些不法分子利用,发布一些攻击或抹黑国家以及影响社会和谐稳定的涉政相关内容。对于有关涉政的文字内容,可以通过设置关键字或者关键文本进行拦截,但是由于涉政图片定义较复杂,难区分,无法应用传统的图片检测、图片识别方法进行区分。
为了解决上述问题,本申请实施例提供了一种涉政图像的识别方法,通过对图像进行多级特征识别与分析,提高了涉政图片的识别效率以及识别命中率。
请参阅图1,图1为本申请实施例所提供的一种涉政图像的识别方法的流程图。如图1中所示,本申请实施例提供的涉政图像的识别方法,包括:
S101,获取待识别图像。
该步骤中,待识别图像为需要进行涉政检测的图像。
示例的,待识别图像可以为网络用户想要上传至互联网环境中,以供任意网民浏览的图像。
S102,将所述待识别图像输入至预先训练好的涉政图像识别模型中,通过所述涉政图像识别模型中的一级识别子模型,识别所述待识别图像中的一级图像特征,并基于所述一级图像特征确定所述待识别图像的初始识别标签。
该步骤中,获取完待识别图像后,可以通过预先训练好的涉政图像识别模型对待识别图像是否为涉政图像进行判断。具体为,将获取到的待识别图像输入到预先构建好的涉政图像识别模型中,由涉政图像识别模型中的一级识别子模型对待识别图像的一级图像特征进行识别,确定出该待识别图像是否为涉政图像的初始识别标签。
这里,一级识别子模型在对待识别图像进行一级图像特征识别时,是对待识别图像中是否存在人物、旗帜、横幅、标识以及场景等一级信息进行识别,根据识别出的一级信息数量,对待识别图像进行初步判断,确定出待识别图像的初步识别标签。
其中,将包含有损害国家利益、威胁社会稳定信息的图像定义为涉政图像,例如:如果一张图像中包含人物故意损害国旗的行为,可以将这张图像定义为涉政图像,但是如果这张图像中包含的信息为学生升旗行为,可以定义这张图像为非涉政图像。
示例,假设待识别图像中,出现的一级信息包含人物、旗帜、标识以及场景信息,通过一级识别子模型确定出的待识别图像的初始识别标签可能为涉政标签;假设待识别图像中,出现的一级信息仅包含人物信息,通过一级识别子模型确定出的待识别图像的初始识别标签可能为非涉政标签。
作为示例,请参阅图2,图2为涉政图像识别模型的训练方法流程示意图。如图2中所示,所述涉政图像识别模型的训练方法,包括:
S201,获取多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、所述二级特征标签以及所述三级特征标签。
该步骤中,获取可用于进行涉政图像识别模型训练的多张训练样本图像,所述训练样本图像是由涉政图像和非涉政图像组成的,每张训练样本图像有唯一的样本识别标签,每张训样本图像有一个或多个一级特征标签、一个或多个二级特征标签以及一个或多个三级特征标签。
这里,样本识别标签为涉政与非涉政的二分类标签,每个一级特征标签下有对应的一个或多个二级特征标签,每个二级特征标签下有对应的一个或多个三级特征标签。
示例的,一级特征标签可以为人物、旗帜、横幅、标识或场景等;每个一级特征标签下对应有二级特征标签,当确定一级特征标签为人物时,对应的二级特征标签可以为政治人物、明星或警察等,当确定一级特征标签为旗帜时,对应的二级特征标签可以为各国国旗;每个二级特征标签下对应有三级特征标签,当确定二级特征标签为明星时,对应的三级特征标签可以为张三、李四、王五等。需要说明的是,一级特征标签以及一级特征标签下的二级特征标签和三级特征标签的类别并不局限于上述示例,还可以有其他类别,在此不做限定。
S202,基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型。
该步骤中,获取完用于构建涉政图像识别模型的多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签后,将训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签作为输出特征,训练预先构建好的神经网络,得到涉政图像识别模型。
这里,神经网络包括时序神经网络和卷积神经网络,其中,卷积神经网络内嵌在时序神经网络中。
进一步的,所述基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型,包括:将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签作为输出特征,训练构建好的神经网络中的时序神经网络,得到一级识别子模型。
该步骤中,使用多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,训练得到涉政图像识别模型,是通过分别训练神经网络中的时序神经网络和卷积神经网络得到的。其中,将多张训练样本图像的一级图像特征作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像所对应的所有一级特征标签作为输出特征,训练神经网络中的时序神经网络,当达到预设训练次数或达到预设训练截止时间时,时序神经网络训练结束,得到一级识别子模型。
这里,是将训练样本图像的一级标签的类别数目作为时序神经网络的时长参数,使时序神经网络在一级标签的维度上进行序列学习,从而确定一级识别子模型。
其中,时序神经网络可以选择RNN、LSTM、GRU、BERT、GPT等神经网络,在此不做限定。
需要说明的是,时序神经网络学习一级标签的类别数目和涉政图像之间的关系,处理的是一级特征之间的并行关系。这样,时序神经网络可以学习到,当一张图像中的一级特征的数量多时,该张图像很大可能为涉政图像,当一张图像中的一级特征的数量少时,该张图像很小可能为涉政图像。
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的二级特征标签作为输出特征,训练构建好的神经网络中的卷积神经网络,得到二级识别子模型。
该步骤中,将多张训练样本图像的二级图像特征作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的二级特征标签作为输出特征,训练内嵌在时序神经网络中的卷积神经网络,当达到预设训练次数或达到预设训练截止时间时,卷积神经网络训练结束,得到二级识别子模型。
这样,卷积神经网络通过训练学习,学习到各个二级特征的涉政权重。从而,在进行图像识别时,在时序神经网络对于该图像是否为涉政图像的初步识别的基础上,通过分析该图像的二级特征,对于时序神经网络的初步识别标签进行调整,可以更加准确的识别涉政图像。
作为示例,当一级图像为人物时,对应的二级图像可以包括明星、学生、损害国家利益人员、公职人员等,在进行卷积神经网络的训练过程中,损害国家利益人员的涉政权重就会大于明星、学生以及公职人员的涉政权重。
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的三级特征标签作为输出特征,训练构建好的神经网络中的卷积神经网络,得到三级识别子模型。
该步骤中,将多张训练样本图像的三级图像特征作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的三级特征标签作为输出特征,训练内嵌在时序神经网络中的卷积神经网络,当达到预设训练次数或达到预设训练截止时间时,卷积神经网络训练结束,得到三级识别子模型。
这样,卷积神经网络通过训练学习,学习到各个三级特征的涉政权重。从而,在进行图像识别时,在时序神经网络对于该图像是否为涉政图像的初步识别以及二级识别子模型对应的卷积神经网络对初步识别进行调整后的基础上,通过分析该图像的三级特征,对于二级识别子模型对应的卷积神经网络调整后的初步识别进行再调整,可以进一步的提高涉政图像的识别准确率。
作为示例,假设当二级图像为明星时,对应的三级图像可以包括A明星、B明星、C明星以及D明星等,在进行卷积神经网络的训练过程中,确定A明星的涉政权重>B明星的涉政权重>C明星的涉政权重>D明星的涉政权重;假设当二级图像为某国国旗时,对应的三级图像可以包括升国旗和损坏国旗等,在进行卷积神经网络的训练过程中,可以确定三级图像为升国旗的涉政权重很小,三级图像为损坏国旗的涉政权重很大。
基于所述一级识别子模型、所述二级识别子模型以及所述三级识别子模型,确定涉政图像识别模型。
需要说明的是,一级识别子模型、二级识别子模型以及三级识别子模型的训练是同时进行的,训练得到一级识别子模型、二级识别子模型和三级识别子模型后,模型训练结束,得到涉政图像识别模型。
进一步的,所述基于所述一级识别子模型、所述二级识别子模型以及所述三级识别子模型,确定涉政图像识别模型,包括:获取多张验证图像、每张验证图像的样本验证标签以及每张训练样本图像二级验证标签以及三级验证标签。
该步骤中,在训练一级识别子模型、二级识别子模型以及三级识别子模型确定涉政图像识别模型的训练过程中,获取用于调整涉政图像识别模型对应的网络参数的验证图像集,获取的验证图像集包括获取多张验证图像、每张验证图像的样本验证标签以及每张训练样本图像二级验证标签以及三级验证标签。
通过所述一级识别子模型,确定每个验证图像的一级识别结果;基于每个验证图像的一级识别结果和每个验证图像对应的样本验证标签,确定一级识别子模型的第一损失函数值。
该步骤中,将每个验证图像输入到涉政图像识别模型中,涉政图像识别模型中的一级识别子模型对应的时序神经网络对输入的每个验证图像进行分析识别,得到每个验证图像的一级识别结果;基于输出的每个验证图像的一级识别结果和每个图像对应的真实的样本验证标签,确定验证图像的损失值,从而确定出一级识别子模型对应的时序神经网络,对应的损失函数值。
这里,输出的一级识别结果为该验证图像为涉政图像还是为非涉政图像;样本验证标签包括涉政标签和非涉政标签,确定的验证图像的损失值,是二分类标签的损失值。
通过所述二级识别子模型,确定每个验证图像的二级识别结果;基于每个验证图像的二级识别结果和每个验证图像对应的二级验证标签,确定二级识别子模型的第二损失函数值。
该步骤中,将每个验证图像输入到涉政图像识别模型中,涉政图像识别模型中的二级识别子模型对应的卷积神经网络对输入的每个验证图像进行二级特征图像提取与分析,得到多个二级特征图像,基于得到的二级特征图像,确定每个验证图像的二级识别结果,根据确定出的二级识别结果和每个验证图像对应的二级验证标签,确定二级识别子模型对应的卷积神经网络,的损失函数值,即第二损失函数值。
这里,第二损失函数值,是通过将二级识别子模型提取的二级特征图像按照二级验证标签进行多分类损失计算得到的。
通过所述三级识别子模型,确定每个验证图像的三级识别结果;基于每个验证图像的三级识别结果和每个验证图像对应的三级验证标签,确定三级识别子模型的第三损失函数值。
该步骤中,通过三级识别子模型对二级识别子模型提取到的二级特征图像,再次进行卷积计算,得到三级特征图像,基于得到的三级特征图像,确定每个验证图像的三级识别结果,根据确定出的三级识别结果和每个验证图像对应的三级验证标签,确定三级识别子模型对应的卷积神经网络,的损失函数值,即第三损失函数值。
这里,第三损失函数值,是通过将三级识别子模型提取的三级特征图像按照三级验证标签进行多分类损失计算得到的。
基于所述第一损失函数值、第二损失函数值以及第三损失函数值,计算所涉政图像识别模型的总损失函数值。
该步骤中,将计算得到的第一损失函数值、第二损失函数值以及第三损失函数值相加后的总损失函数值,作为涉政图像识别模型对应的整个神经网络的总损失函数值。
基于所述总损失函数值,通过梯度反向传播算法,分别调节所述一级识别子模型的网络参数、所述二级识别子模型的网络参数以及所述三级识别子模型的网络参数,得到训练好的一级识别子模型、训练好的二级识别子模型以及训练好的三级识别子模型。
该步骤中,确定出整个神经网络的总损失值后,采用梯度反向传播算法调整各个子模型的模型参数;其中,分别调节一级识别子模型对应的时序神经网络的网络参数、二级识别子模型对应的卷积神经网络的网络参数以及三级识别子模型对应的卷积神经网络的网络参数,得到训练好的一级识别子模型、训练好的二级识别子模型以及训练好的三级识别子模型。
基于所述训练好的一级识别子模型、所述训练好的二级识别子模型以及所述训练好的三级识别子模型,得到训练好的涉政图像识别模型。
S103,通过所述涉政图像识别模型中的二级识别子模型,确定每个一级图像特征所对应的二级图像特征,并基于所述二级图像特征调整所述初始识别标签,得到二级识别标签。
该步骤中,通过涉政图像识别模型中的二级识别子模型,对一级识别子模型识别出的每个一级图像特征进行再识别,确定每个一级图像特征所对应的二级图像特征,根据识别出的二级图像特征以及各自对应的涉政权重,对一级识别子模型确定出的待识别图像的初始识别标签进行调整,得到待识别图像是否为涉政图像的二级识别标签。
作为示例,对初始识别标签进行调整的过程,实际上就是对初始识别结果是否正确的二次验证。假设经一级识别子模型识别后的待识别图像中有3种一级图像特征,确定初始识别标签代表非涉政图像。其中,3种一级特征中包含有人物特征,通过二级识别子模型进行再识别,确定该一级人物特征对应的二级图像特征为损害国家利益人员,则对初始识别标签进行调整,得到二级识别标签,此时得到的二级识别标签代表待识别图像为涉政图像。
S104,通过所述涉政图像识别模型中的三级识别子模型,确定每个二级图像特征所对应的三级图像特征,并基于所述三级图像特征调整所述二级识别标签,得到类别识别标签。
该步骤中,通过涉政图像识别模型中的三级识别子模型,对二级识别子模型识别出的每个二级图像特征进行再识别,确定每个二级图像特征所对应的三级图像特征,根据识别出的三级图像特征以及各自对应的涉政权重,对二级识别子模型确定出的待识别图像的二级识别标签进行调整,得到待识别图像是否为涉政图像的类别识别标签。
其中,类别识别标签包括涉政标签和非涉政标签。
作为示例,对二级识别标签进行调整的过程,实际上就是对二级识别结果是否正确的再次验证。假设二级识别子模型识别后的待识别图像的二级图像特征为损害国家利益人员,经三级识别子模型识别后的待识别图像的三级图像特征确实为某位损害国家利益人员,此时则无需对二级识别标签进行调整,直接将二级识别标签作为类别识别标签并输出,此时得到的类别识别标签代表待识别图像为涉政图像。
S105,基于所述类别识别标签确定所述待识别图像是否为涉政图像。
该步骤中,当类别识别标签为涉政标签时,则确定待识别图像为涉政图像,当类别识别标签为非涉政标签时,则确定待识别图像为非涉政图像。
进一步的,确定出所述待识别图像是否为涉政图像后,所述识别方法包括:当确定出所述待识别图像为涉政图像后,将所述类别识别标签以及所述待识别图像发送给审核用户,以供所述审核用户对所述待识别图像进行核查。
该步骤中,当确定出待识别图像为涉政图像后,将识别为涉政图像的类别识别标签和该图像一起发送给审核用户,审核用户接受到该涉政图像和类别识别标签后,进行再次审核,确认识别结果是否正确。
示例的,如果待识别图像为某网络用户想要发送至网络环境中的图像,审核用户为网络安全管理人员,待识别该图像为涉政图像时,将类别识别标签和该图像一起发送给网络安全管理人员进行核查,如果判断类别识别标签正确时,网络安全管理人员可以发起拦截操作,阻止该图像上传网络,如果判断类别识别标签错误时,网络安全管理人员可以发起放行操作,允许该图像上传至网络环境中。
本申请实施例提供的一种涉政图像的识别方法。获取待识别图像;将所述待识别图像输入至预先训练好的涉政图像识别模型中,通过所述涉政图像识别模型中的一级识别子模型,识别所述待识别图像中的一级图像特征,并基于所述一级图像特征确定所述待识别图像的初始识别标签;通过所述涉政图像识别模型中的二级识别子模型,确定每个一级图像特征所对应的二级图像特征,并基于所述二级图像特征调整所述初始识别标签,得到二级识别标签;通过所述涉政图像识别模型中的三级识别子模型,确定每个二级图像特征所对应的三级图像特征,并基于所述三级图像特征调整所述二级识别标签,得到类别识别标签;基于所述类别识别标签确定所述待识别图像是否为涉政图像。
这样,本申请通过对涉政图像添加级联标签以及将级联标签数据采用时序神经网络进行多特征分析,可以有效的提高涉政图片的识别效率以及提高涉政图片识别的命中率。
请参阅图3、图4,图3为本申请实施例所提供的一种涉政图像的识别装置的结构示意图之一,图4为本申请实施例所提供的一种涉政图像的识别装置的结构示意图之二。如图3中所示,所述识别装置300包括:
获取模块310,用于获取待识别图像。
初始标签确定模块320,用于将所述待识别图像输入至预先训练好的涉政图像识别模型中,通过所述涉政图像识别模型中的一级识别子模型,识别所述待识别图像中的一级图像特征,并基于所述一级图像特征确定所述待识别图像的初始识别标签。
二级标签确定模块330,用于通过所述涉政图像识别模型中的二级识别子模型,确定每个一级图像特征所对应的二级图像特征,并基于所述二级图像特征调整所述初始识别标签,得到二级识别标签;
类别标签确定模块340,用于通过所述涉政图像识别模型中的三级识别子模型,确定每个二级图像特征所对应的三级图像特征,并基于所述三级图像特征调整所述二级识别标签,得到类别识别标签;
涉政图像确定模块350,用于基于所述类别识别标签确定所述待识别图像是否为涉政图像。
进一步的,如图4中所示,所述识别装置300还包括模型训练模块360,所述模型训练模块360用于:
获取多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签;
基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型。
进一步的,所述模型训练模块360在用于基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型时,所述模型训练模块360用于:
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签作为输出特征,训练构建好的神经网络中的时序神经网络,得到一级识别子模型;
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的二级特征标签作为输出特征,训练构建好的神经网络中的卷积神经网络,得到二级识别子模型;
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的三级特征标签作为输出特征,训练构建好的神经网络中的卷积神经网络,得到三级识别子模型;
基于所述一级识别子模型、所述二级识别子模型以及所述三级识别子模型,确定涉政图像识别模型。
进一步的,所述模型训练模块360在用于基于所述一级识别子模型、所述二级识别子模型以及所述三级识别子模型,确定涉政图像识别模型时,所述模型训练模块360用于:
获取多张验证图像、每张验证图像的样本验证标签以及每张训练样本图像二级验证标签以及三级验证标签;
通过所述一级识别子模型,确定每个验证图像的一级识别结果;
基于每个验证图像的一级识别结果和每个验证图像对应的样本验证标签,确定一级识别子模型的第一损失函数值;
通过所述二级识别子模型,确定每个验证图像的二级识别结果;
基于每个验证图像的二级识别结果和每个验证图像对应的二级验证标签,确定二级识别子模型的第二损失函数值;
通过所述三级识别子模型,确定每个验证图像的三级识别结果;
基于每个验证图像的三级识别结果和每个验证图像对应的三级验证标签,确定三级识别子模型的第三损失函数值;
基于所述第一损失函数值、第二损失函数值以及第三损失函数值,计算所涉政图像识别模型的总损失函数值;
基于所述总损失函数值,通过梯度反向传播算法,分别调节所述一级识别子模型的网络参数、所述二级识别子模型的网络参数以及所述三级识别子模型的网络参数,得到训练好的一级识别子模型、训练好的二级识别子模型以及训练好的三级识别子模型;
基于所述训练好的一级识别子模型、所述训练好的二级识别子模型以及所述训练好的三级识别子模型,得到训练好的涉政图像识别模型。
进一步的,所述识别装置300还包括核查模块370,所述核查模块370用于:
当确定出所述待识别图像为涉政图像后,将所述类别识别标签以及所述待识别图像发送给审核用户,以供所述审核用户对所述待识别图像进行核查。
本申请实施例提供的一种涉政图像的识别装置。获取待识别图像;将所述待识别图像输入至预先训练好的涉政图像识别模型中,通过所述涉政图像识别模型中的一级识别子模型,识别所述待识别图像中的一级图像特征,并基于所述一级图像特征确定所述待识别图像的初始识别标签;通过所述涉政图像识别模型中的二级识别子模型,确定每个一级图像特征所对应的二级图像特征,并基于所述二级图像特征调整所述初始识别标签,得到二级识别标签;通过所述涉政图像识别模型中的三级识别子模型,确定每个二级图像特征所对应的三级图像特征,并基于所述三级图像特征调整所述二级识别标签,得到类别识别标签;基于所述类别识别标签确定所述待识别图像是否为涉政图像。
这样,本申请通过对涉政图像添加级联标签以及将级联标签数据采用时序神经网络进行多特征分析,可以有效的提高涉政图片的识别效率以及提高涉政图片识别的命中率。
请参阅图5,图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示,所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1以及图2所示方法实施例中的涉政图像的识别方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的涉政图像的识别方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种涉政图像的识别方法,其特征在于,所述识别方法包括:
获取待识别图像;
将所述待识别图像输入至预先训练好的涉政图像识别模型中,通过所述涉政图像识别模型中的一级识别子模型,识别所述待识别图像中的一级图像特征,并基于所述一级图像特征确定所述待识别图像的初始识别标签;
通过所述涉政图像识别模型中的二级识别子模型,确定每个一级图像特征所对应的二级图像特征,并基于所述二级图像特征调整所述初始识别标签,得到二级识别标签;
通过所述涉政图像识别模型中的三级识别子模型,确定每个二级图像特征所对应的三级图像特征,并基于所述三级图像特征调整所述二级识别标签,得到类别识别标签;
基于所述类别识别标签确定所述待识别图像是否为涉政图像。
2.根据权利要求1所述的识别方法,其特征在于,通过以下步骤训练所述涉政图像识别模型:
获取多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签;
基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型。
3.根据权利要求2所述的识别方法,其特征在于,所述基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型,包括:
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签作为输出特征,训练构建好的神经网络中的时序神经网络,得到一级识别子模型;
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的二级特征标签作为输出特征,训练构建好的神经网络中的卷积神经网络,得到二级识别子模型;
将所述多张训练样本图像作为输入特征,将每张训练图像的样本识别标签以及每张训练样本图像对应的三级特征标签作为输出特征,训练构建好的神经网络中的卷积神经网络,得到三级识别子模型;
基于所述一级识别子模型、所述二级识别子模型以及所述三级识别子模型,确定涉政图像识别模型。
4.根据权利要求3所述的识别方法,其特征在于,所述基于所述一级识别子模型、所述二级识别子模型以及所述三级识别子模型,确定涉政图像识别模型,包括:
获取多张验证图像、每张验证图像的样本验证标签以及每张训练样本图像二级验证标签以及三级验证标签;
通过所述一级识别子模型,确定每个验证图像的一级识别结果;
基于每个验证图像的一级识别结果和每个验证图像对应的样本验证标签,确定一级识别子模型的第一损失函数值;
通过所述二级识别子模型,确定每个验证图像的二级识别结果;
基于每个验证图像的二级识别结果和每个验证图像对应的二级验证标签,确定二级识别子模型的第二损失函数值;
通过所述三级识别子模型,确定每个验证图像的三级识别结果;
基于每个验证图像的三级识别结果和每个验证图像对应的三级验证标签,确定三级识别子模型的第三损失函数值;
基于所述第一损失函数值、第二损失函数值以及第三损失函数值,计算所涉政图像识别模型的总损失函数值;
基于所述总损失函数值,通过梯度反向传播算法,分别调节所述一级识别子模型的网络参数、所述二级识别子模型的网络参数以及所述三级识别子模型的网络参数,得到训练好的一级识别子模型、训练好的二级识别子模型以及训练好的三级识别子模型;
基于所述训练好的一级识别子模型、所述训练好的二级识别子模型以及所述训练好的三级识别子模型,得到训练好的涉政图像识别模型。
5.根据权利要求1所述的识别方法,其特征在于,确定出所述待识别图像是否为涉政图像后,所述识别方法包括:
当确定出所述待识别图像为涉政图像后,将所述类别识别标签以及所述待识别图像发送给审核用户,以供所述审核用户对所述待识别图像进行核查。
6.一种涉政图像的识别装置,其特征在于,所述识别装置包括:
获取模块,用于获取待识别图像;
初始标签确定模块,用于将所述待识别图像输入至预先训练好的涉政图像识别模型中,通过所述涉政图像识别模型中的一级识别子模型,识别所述待识别图像中的一级图像特征,并基于所述一级图像特征确定所述待识别图像的初始识别标签;
二级标签确定模块,用于通过所述涉政图像识别模型中的二级识别子模型,确定每个一级图像特征所对应的二级图像特征,并基于所述二级图像特征调整所述初始识别标签,得到二级识别标签;
类别标签确定模块,用于通过所述涉政图像识别模型中的三级识别子模型,确定每个二级图像特征所对应的三级图像特征,并基于所述三级图像特征调整所述二级识别标签,得到类别识别标签;
涉政图像确定模块,用于基于所述类别识别标签确定所述待识别图像是否为涉政图像。
7.根据权利要求6所述的识别装置,其特征在于,所述识别装置还包括模型训练模块,所述模型训练模块用于:
获取多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签;
基于所述多张训练样本图像、每张训练图像的样本识别标签以及每张训练样本图像对应的一级特征标签、二级特征标签以及三级特征标签训练预先构建好的神经网络,得到所述涉政图像识别模型。
8.根据权利要求6所述的识别装置,其特征在于,所述识别装置还包括核查模块,所述核查模块用于:
当确定出所述待识别图像为涉政图像后,将所述类别识别标签以及所述待识别图像发送给审核用户,以供所述审核用户对所述待识别图像进行核查。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至5任一所述涉政图像的识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5任一所述涉政图像的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110488327.8A CN112990147A (zh) | 2021-05-06 | 2021-05-06 | 一种涉政图像的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110488327.8A CN112990147A (zh) | 2021-05-06 | 2021-05-06 | 一种涉政图像的识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990147A true CN112990147A (zh) | 2021-06-18 |
Family
ID=76336967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110488327.8A Pending CN112990147A (zh) | 2021-05-06 | 2021-05-06 | 一种涉政图像的识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205085A (zh) * | 2021-07-05 | 2021-08-03 | 武汉华信数据***有限公司 | 一种图像识别方法和装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964059A (zh) * | 2009-07-24 | 2011-02-02 | 富士通株式会社 | 构建级联分类器的方法、识别对象的方法及装置 |
CN107403198A (zh) * | 2017-07-31 | 2017-11-28 | 广州探迹科技有限公司 | 一种基于级联分类器的官网识别方法 |
CN108009518A (zh) * | 2017-12-19 | 2018-05-08 | 大连理工大学 | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 |
CN109102024A (zh) * | 2018-08-14 | 2018-12-28 | 中山大学 | 一种用于物体精细识别的层次语义嵌入模型及其实现方法 |
CN109740681A (zh) * | 2019-01-08 | 2019-05-10 | 南方科技大学 | 一种水果分拣方法、装置、***、终端及存储介质 |
US20190171904A1 (en) * | 2017-12-01 | 2019-06-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for training fine-grained image recognition model, fine-grained image recognition method and apparatus, and storage mediums |
CN110084209A (zh) * | 2019-04-30 | 2019-08-02 | 电子科技大学 | 一种基于父子分类器的实时性手势识别方法 |
US10467290B1 (en) * | 2015-12-29 | 2019-11-05 | Amazon Technologies, Inc. | Generating and refining a knowledge graph |
CN111291754A (zh) * | 2020-01-22 | 2020-06-16 | 广州图匠数据科技有限公司 | 一种文本级联检测方法、装置及存储介质 |
CN111476309A (zh) * | 2020-04-13 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、设备及可读介质 |
CN112200772A (zh) * | 2020-09-15 | 2021-01-08 | 深圳数联天下智能科技有限公司 | 痘痘检测设备 |
-
2021
- 2021-05-06 CN CN202110488327.8A patent/CN112990147A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964059A (zh) * | 2009-07-24 | 2011-02-02 | 富士通株式会社 | 构建级联分类器的方法、识别对象的方法及装置 |
US10467290B1 (en) * | 2015-12-29 | 2019-11-05 | Amazon Technologies, Inc. | Generating and refining a knowledge graph |
CN107403198A (zh) * | 2017-07-31 | 2017-11-28 | 广州探迹科技有限公司 | 一种基于级联分类器的官网识别方法 |
US20190171904A1 (en) * | 2017-12-01 | 2019-06-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for training fine-grained image recognition model, fine-grained image recognition method and apparatus, and storage mediums |
CN108009518A (zh) * | 2017-12-19 | 2018-05-08 | 大连理工大学 | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 |
CN109102024A (zh) * | 2018-08-14 | 2018-12-28 | 中山大学 | 一种用于物体精细识别的层次语义嵌入模型及其实现方法 |
CN109740681A (zh) * | 2019-01-08 | 2019-05-10 | 南方科技大学 | 一种水果分拣方法、装置、***、终端及存储介质 |
CN110084209A (zh) * | 2019-04-30 | 2019-08-02 | 电子科技大学 | 一种基于父子分类器的实时性手势识别方法 |
CN111291754A (zh) * | 2020-01-22 | 2020-06-16 | 广州图匠数据科技有限公司 | 一种文本级联检测方法、装置及存储介质 |
CN111476309A (zh) * | 2020-04-13 | 2020-07-31 | 北京字节跳动网络技术有限公司 | 图像处理方法、模型训练方法、装置、设备及可读介质 |
CN112200772A (zh) * | 2020-09-15 | 2021-01-08 | 深圳数联天下智能科技有限公司 | 痘痘检测设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205085A (zh) * | 2021-07-05 | 2021-08-03 | 武汉华信数据***有限公司 | 一种图像识别方法和装置 |
CN113205085B (zh) * | 2021-07-05 | 2021-11-19 | 武汉华信数据***有限公司 | 一种图像识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147726B (zh) | 业务质检方法和装置、存储介质及电子装置 | |
CN105426356B (zh) | 一种目标信息识别方法和装置 | |
CN112613501A (zh) | 信息审核分类模型的构建方法和信息审核方法 | |
CN109872162B (zh) | 一种处理用户投诉信息的风控分类识别方法及*** | |
CN112507936B (zh) | 图像信息审核方法、装置、电子设备及可读存储介质 | |
CN110781460A (zh) | 版权认证方法、装置、设备、***及计算机可读存储介质 | |
CN113688630B (zh) | 文本内容审核方法、装置、计算机设备和存储介质 | |
CN112395979B (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
CN113449725B (zh) | 对象分类方法、装置、设备及存储介质 | |
CN110111902B (zh) | 急性传染病的发病周期预测方法、装置及存储介质 | |
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
CN115168590A (zh) | 文本特征提取方法、模型训练方法、装置、设备及介质 | |
CN111488501A (zh) | 一种基于云平台的电商统计*** | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN114372532A (zh) | 标签标注质量的确定方法、装置、设备、介质及产品 | |
CN112990147A (zh) | 一种涉政图像的识别方法、装置、电子设备及存储介质 | |
CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
CN109660621A (zh) | 一种内容推送方法及服务设备 | |
CN113010785A (zh) | 用户推荐方法及设备 | |
CN117435999A (zh) | 一种风险评估方法、装置、设备以及介质 | |
CN116304014A (zh) | 训练实体类型识别模型的方法、实体类型识别方法及装置 | |
CN115801309A (zh) | 基于大数据的计算机终端接入安全验证方法及*** | |
CN113010664B (zh) | 一种数据处理方法、装置及计算机设备 | |
CN113449506A (zh) | 一种数据检测方法、装置、设备及可读存储介质 |
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: 20210618 |
|
RJ01 | Rejection of invention patent application after publication |