基于Sphereface的智能图片鉴黄方法及系统与流程

本发明涉及图片鉴黄，尤其涉及一种基于sphereface的智能图片鉴黄方法及系统。

背景技术：

1、目前，很多互联网应用允许用户上传图片、头像等。但是图片内容千差万别，为了确保健康良好的互联网环境，国家对上传的图片内容有严格的规定，禁止上传黄色图片。因此，在图片显示在网络之前需经过检测，判断是否为黄色图片。

2、鉴黄服务在主流的互联网公司，安全厂商均提供服务接口，用于判断是否为黄色图片。在鉴黄领域常用的手段是基于深度学习模型，提取特征，基于特征判断是否涉黄。鉴黄是判断图片为正常图片和黄色图片二类，但现实中由于图片场景的复杂多变，鉴黄模型的识别结果很容易出现误差，对涉黄图片判别的准确率还是较低。

3、综上所述，现有的鉴黄方案无法对复杂的场景有好的鲁棒性，无法对涉黄图片进行准确的判别。

技术实现思路

1、本发明主要解决由于图片场景的复杂多变，鉴黄模型的识别结果很容易出现误差，对涉黄图片判别的准确率还是较低的技术问题，提出一种基于sphereface的智能图片鉴黄方法及系统，以提高鉴黄分类模型的学习能力，提高涉黄图片的识别精度。

2、本发明提供了一种基于sphereface的智能图片鉴黄方法，包括：

3、步骤100，获取要鉴定的图片；

4、步骤200，将图片输入特征提取网络，获取分类特征向量；

5、步骤300，将获取的分类特征向量，输入到鉴黄分类模型中，得到图片类别；所述图片类别包括：正常图片和涉黄图片；

6、所述鉴黄分类模型的sphereface损失函数公式如下：

7、

8、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；xi表示待分类的特征；m表示惩罚因子；θ表示权重向量和特征向量之间的夹角，范围是[0,π/m]；j表示第j个分类器；yi表示第i个样本所属类别标签；

9、所述鉴黄分类模型的分类边界是：

10、(w1-w2)x+b1-b2＝0；

11、其中，w1和w2表示卷积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；

12、限制||w1||＝||w2||＝1，并且b1＝b2＝0，边界决策函数变形为：

13、||x||(cos(θ1)-cos(θ2))＝0；

14、其中，θi是权重向量wi和特征向量x之间的夹角；

15、在sphereface损失函数中，引入整数变量m，m用于控制角度间隔，正常图片的边界决策函数为：

16、||x||(cos(mθ1)-cos(θ2))＝0；

17、涉黄图片的边界决策函数为：

18、||x||(cos(θ1)-cos(mθ2))＝0。

19、进一步的，采用深度学习神经网络。

20、进一步的，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。

21、对应的，本发明还提供一种基于sphereface的智能图片鉴黄系统，包括：获取图片模块、分类特征模块和鉴定模块；

22、所述获取图片模块，用于获取要鉴定的图片；

23、所述分类特征提取模块，用于将图片输入特征提取网络，获取分类特征向量；

24、所述鉴定模块，用于将获取的分类特征向量，输入到鉴黄分类模型中，得到图片类别；所述图片类别包括：正常图片和涉黄图片；

25、所述鉴黄分类模型的sphereface损失函数公式如下：

26、

27、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；xi表示待分类的特征；m表示惩罚因子；θ表示权重向量和特征向量之间的夹角，范围是[0,π/m]；j表示第j个分类器；yi表示第i个样本所属类别标签；

28、所述鉴黄分类模型的分类边界是：

29、(w1-w2)x+b1-b2＝0；

30、其中，w1和w2表示卷积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；

31、限制||w1||＝||w2||＝1，并且b1＝b2＝0，边界决策函数变形为：

32、||x||(cos(θ1)-cos(θ2))＝0；

33、其中，θi是权重向量wi和特征向量x之间的夹角；

34、在sphereface损失函数中，引入整数变量m，m用于控制角度间隔，正常图片的边界决策函数为：

35、||x||(cos(mθ1)-cos(θ2))＝0；

36、涉黄图片的边界决策函数为：

37、||x||(cos(θ1)-cos(mθ2))＝0。

38、本发明提供的一种基于sphereface的智能图片鉴黄方法及系统，采用鉴黄二分类，并结合sphereface损失函数和边界决策函数，通过sphereface作为鉴黄分类模型的损失函数，使学习到的特征具有角度上的信息，能够扩大类间间距并缩小类内间距，提取出更具分辨率的特征，从而学习到的特征更具有可分性，进而进一步提升模型对涉黄图片的正确识别。

技术特征：

1.一种基于sphereface的智能图片鉴黄方法，其特征在于，包括：

2.根据权利要求1所述的基于sphereface的智能图片鉴黄方法，其特征在于，所述特征提取网络采用深度学习神经网络。

3.根据权利要求1所述的基于sphereface的智能图片鉴黄方法，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。

4.一种基于sphereface的智能图片鉴黄系统，其特征在于，包括：获取图片模块、分类特征模块和鉴定模块；

技术总结
本发明涉及图片鉴黄技术领域，提供一种基于Sphereface的智能图片鉴黄方法及系统，所述方法包括：步骤100，获取要鉴定的图片；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Sphereface损失函数的鉴黄分类模型中，得到图片类别；所述图片类别包括：正常图片和涉黄图片。本发明能够提高鉴黄分类模型的学习能力，提高涉黄图片的识别精度。

技术研发人员：李翔,韩潼瑜,黄玉阔
受保护的技术使用者：功夫链（上海）体育文化发展有限公司
技术研发日：
技术公布日：2024/1/12