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。
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;