[发明专利]一种基于CosFace的涉黄图片智能识别方法及系统在审
| 申请号： | 202211155068.8 | 申请日： | 2022-09-22 |
| 公开（公告）号： | CN116310468A | 公开（公告）日： | 2023-06-23 |
| 发明（设计）人： | 李翔;黄玉阔;韩潼瑜 | 申请（专利权）人： | 功夫链（上海）体育文化发展有限公司 |
| 主分类号： | G06V10/764 | 分类号： | G06V10/764;G06V10/40;G06V10/82 |
| 代理公司： | 大连大工智讯专利代理事务所(特殊普通合伙) 21244 | 代理人： | 梁左秋 |
| 地址： | 200040 上海市*** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 cosface 图片 智能 识别 方法 系统 | ||
1.一种基于CosFace的涉黄图片智能识别方法，其特征在于，包括以下过程：
步骤100，获取要识别的图片；
步骤200，将图片输入特征提取网络，获取分类特征向量；
步骤300，将获取的分类特征向量，输入到基于CosFace损失函数的鉴黄分类模型中，识别出图片类别；所述图片类别包括：正常图片和涉黄图片；
所述鉴黄分类模型的CosFace损失函数公式如下：
其中，L表示损失函数，N表示在一次训练过程里采样的样本数量；s表示缩放因子；m表示惩罚因子；θ表示权重向量和特征向量之间的夹角；j表示第j个分类器；yi表示第i个样本所属类别标签；
所述鉴黄分类模型的分类边界是：
(W1-W2)x+b1-b2＝0；
其中，W1和W2表示神经网络最后全连接层的权重向量，x表示分类特征向量，b1和b2表示偏置；
CosFace损失函数限制||W1||＝||W2||＝1，并且b1＝b2＝0，特征向量x赋值为缩放因子s，||x||＝s；
所述鉴黄分类模型的正常图片的边界决策函数：
cos(θ1)cos(θ2)；
所述鉴黄分类模型的涉黄图片的边界决策函数：
cos(θ1)cos(θ2)；
其中，θi是权重向量Wi和特征向量x之间的夹角。
2.根据权利要求1所述的基于CosFace的涉黄图片智能识别方法，其特征在于，所述特征提取网络，包括：多个池化层、多个卷积层、全局平均池化层和多个全连接层。
3.一种基于CosFace的涉黄图片智能识别系统，其特征在于，包括：获取模块、特征提取模块和识别模块；
所述获取模块，用于获取要识别的图片；
所述特征提取模块，用于将图片输入特征提取网络，获取分类特征向量；
所述识别模块，用于将获取的分类特征向量，输入到基于CosFace损失函数的鉴黄分类模型中，识别出图片类别；所述图片类别包括：正常图片和涉黄图片；
所述鉴黄分类模型的CosFace损失函数公式如下：
其中，L表示损失函数，N表示在一次训练过程里采样的样本数量；s表示缩放因子；m表示惩罚因子；θ表示权重向量和特征向量之间的夹角；j表示第j个分类器；yi表示第i个样本所属类别标签；
所述鉴黄分类模型的分类边界是：
(W1-W2)x+b1-b2＝0；
其中，W1和W2表示神经网络最后全连接层的权重向量，x表示分类特征向量，b1和b2表示偏置；
CosFace损失函数限制||W1||＝||W2||＝1，并且b1＝b2＝0，特征向量x赋值为缩放因子s，||x||＝s；
所述鉴黄分类模型的正常图片的边界决策函数：
cos(θ1)cos(θ2)；
所述鉴黄分类模型的涉黄图片的边界决策函数：
cos(θ1)cos(θ2)；
其中，θi是权重向量Wi和特征向量x之间的夹角。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于功夫链（上海）体育文化发展有限公司，未经功夫链（上海）体育文化发展有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202211155068.8/1.html，转载请声明来源钻瓜专利网。
