[发明专利]敏感图像鉴定方法及终端系统

说明书

本发明实施例涉及图像鉴别以及人工智能技术领域，公开了一种敏感图像鉴定方法及终端系统。该方法应用于敏感图像鉴定系统，该系统包括：骨干网络、全局分类网络以及目标区域检测网络，该方法包括：在有局部区域标注的图像训练集上训练所述目标区域检测网络得到骨干网络参数；其中，所述骨干网络参数为所述目标区域检测网络中与所述骨干网络结构相同的网络结构的网络参数；根据所述骨干网络参数对所述全局分类网络进行初始化；初始化后的所述全局分类网络在类别标注数据集上进行训练，采用训练好的所述全局分类网络进行敏感图像分类。本发明实施例可以检测到图像中大小各异的敏感区域，从而大幅提升敏感图像分类性能。

技术领域

本发明实施例涉及图像鉴别以及人工智能技术领域，特别涉及一种敏感图像鉴定方法及终端系统。

背景技术

随着科技的发展进步，互联网成为人们日常生活和工作中离不开的工具，它在给人们带来生活方便、处理事务高效的同时，也会成为一些不法分子的有利工具，利用其传播和散延一些不良信息，如黄色图片、影视等，涉黄案件接踵而来，由此一来，“打黄”也显得尤为重要。

目前，现有的敏感图像的主要鉴别技术有两种。第一种是基于卷积神经网络(Convolution Neural Network，简称CNN)的敏感图像分类方法。作者直接将图像的像素信息分别输入到AlexNet[2]与GoogLeNet[3]中，基本保留了输入图像的所有信息，通过卷积、池化等操作对特征进行提取和高层抽象，并将两种网络输出图像识别的概率值加权求和来分类。CNN作为一种端到端的学习方法，应用非常广泛。第二种是CNN全局图像分类与局部图像目标检测Faster RCNN相结合的敏感图像分类方法。在给定的图片中，Faster RCNN可以精确地找到物体所在的位置，并标注物体的类别，即进行图像的识别与定位。作者将局部目标检测和全局特征相结合，进一步提升了敏感图像检测的正确率。基于卷积神经网络CNN的图像分类与普通神经网络非常相似，由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元接收一些输入，完成点积运算，再输出每个类的分数。CNN运用了权值共享方法大量减少了神经网络的参数，易于端到端的训练。

CNN通常包含以下几种层：

1.卷积层(Convolutional layer)

CNN中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法进行优化而得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层一般只提取低级的边缘、线条和角等层级的特征，高层卷积层能从低级特征中迭代提取更为复杂的特征。卷积计算过程如下：

给定一个图像X_ij，1≤i≤M，1≤j≤N，滤波器(卷积核)f_ij，1≤i≤m，1≤j≤n，一般m≤M，n≤N，以及偏置项b。卷积的输出为：

在一个卷积层中，每一个隐含单元仅仅能连接输入单元的一部分。输出值的计算方法是权重值与输入的点积并与偏置项求和而得。上一层的特征映射(feature map)进行上述的卷积操作，再通过一个激活函数ReLU，可以得到输出特征的特征映射。一个输出单元的大小由深度(depth)，步长(stride)，补零(zero-padding)来决定。深度指输出单元的深度，连接同一块区域的神经元个数。步长控制同一深度的相邻两个隐含单元与它们相连接的输入区域的距离。步长越大相邻隐含单元的输入区域的重叠部分会变少。通过在输入单元周围补零来改变输入单元整体大小，从而控制输出单元的空间大小。定义W₁*H₁*D₁为输入单元的大小，F为感受野，S为步长，P为补零的数量，K为输出单元的深度。则由以下公式计算输出三维单元的维度W₂*H₂*D₂：

在输出单元，第d个深度切片的结果是由第d个滤波器和输入单元做卷积运算，再与偏置求和而得。