一种图片检测方法与设备技术

本申请的目的是提供一种图片检测方法与设备；获取已分别标注图片类型的多个第一图片，其中，所述图片类型包括第一类型或第二类型；根据所述第一图片所对应的上传用户信息对所述多个第一图片进行关联处理；根据经关联处理的所述多个第一图片确定图片检测模型，其中，所述图片检测模型包括用户与所述图片类型的映射关系；利用所述图片检测模型确定第二图片的所述图片类型。与现有技术相比，本申请通过获取标注过图片类型的第一图片基于图片所对应的上传用户信息对其进行关联处理，据此确定图片检测模型，并利用检测模型实现对图片类型的辨识；从而，提高对图片类型的检测精度，降低误判率，缩短模型的建立时间，使得图片检测及时有效。

【技术实现步骤摘要】
【专利摘要】本申请的目的是提供一种图片检测方法与设备；获取已分别标注图片类型的多个第一图片，其中，所述图片类型包括第一类型或第二类型；根据所述第一图片所对应的上传用户信息对所述多个第一图片进行关联处理；根据经关联处理的所述多个第一图片确定图片检测模型，其中，所述图片检测模型包括用户与所述图片类型的映射关系；利用所述图片检测模型确定第二图片的所述图片类型。与现有技术相比，本申请通过获取标注过图片类型的第一图片基于图片所对应的上传用户信息对其进行关联处理，据此确定图片检测模型，并利用检测模型实现对图片类型的辨识；从而，提高对图片类型的检测精度，降低误判率，缩短模型的建立时间，使得图片检测及时有效。【专利说明】-种图片检测方法与设备
本申请设及计算机领域，尤其设及一种图片检测技术。
技术介绍
随着大数据时代来临，各类网站每天有大量的用户图片产生。面对海量的图片数 据，需要一个有效的检测方法，W解决图片的辨识和分类。例如，在电商和社交平台对违禁 图片进行识别和过滤，从而优化网络环境，提升用户体验。 目前，在本领域的现有技术中，对图片识别算法主要有两类。第一类，W图像维度 特征为切入点，对经验特征进行特征提取，例如SIFP、SURF等。运类算法，检测准确度不高， 存在较多的误判。第二类，W数据预测为切入点，利用深度卷积神经网络学习的方法，对图 片进行识别。运类算法，相对于第一类提升了检测的准确度，但是在大数据背景下仍有大量 图片误判、漏判。同时，存在训练检测模型的初始数据量大、训练时间长、模型的更新工作量 庞大等缺陷。
技术实现思路
本申请的目的是提供一种图片检测方法与设备。[000引根据本申请的一个方面，提供了一种图片检测方法，包括： 获取已分别标注图片类型的多个第一图片，其中，所述图片类型包括第一类型或 第二类型； 根据所述第一图片所对应的上传用户信息对所述多个第一图片进行关联处理； [000引根据经关联处理的所述多个第一图片确定图片检测模型，其中，所述图片检测模 型包括用户与所述图片类型的映射关系； 利用所述图片检测模型确定第二图片的所述图片类型。 根据本申请的另一方面，还提供了一种图片检测设备，包括： 第一装置，用于获取已分别标注图片类型的多个第一图片，其中，所述图片类型包 括第一类型或第二类型； 第二装置，用于根据所述第一图片所对应的上传用户信息对所述多个第一图片进 行关联处理； 第Ξ装置，用于根据经关联处理的所述多个第一图片确定图片检测模型，其中，所 述图片检测模型包括用户与所述图片类型的映射关系； 第四装置，用于利用所述图片检测模型确定第二图片的所述图片类型。 与现有技术相比，本申请通过对标注过图片类型的第一图片基于图片所对应的上 传用户信息进行关联处理，据此确定图片检测模型，并利用检测模型实现对图片类型的辨 识;从而，提高图片类型的检测精度，降低误判率，缩短模型的建立时间。进一步，本申请还 可确定图片检测模型的子模型，可根据标注过的第Ξ图片，快速进行更新，从而，更新图片 检测模型，使得图片检测及时有效。更进一步，在本申请中，对被检测模型辨识过的第二图 片，还可由人工再次进行图片类型标注，从而，修正图片检测模型，使得检测模型更加精准。【附图说明】 通过阅读参照W下附图所作的对非限制性实施例所作的详细描述，本申请的其它 特征、目的和优点将会变得更明显： 图1示出根据本申请一个方面的一种图片检测设备的示意图； 图2示出根据本申请一个优选实施例的一种图片检测设备中第Ξ装置的示意图； 图3示出根据本申请另一个优选实施例的一种图片检测设备中第二单元的示意 图； 图4示出根据本申请另一个方面的一种图片检测方法流程图； 图5示出根据本申请一个优选实施例的步骤S23的方法流程图； 图6示出根据本申请另一个优选实施例的步骤S232的方法流程图。 附图中相同或相似的附图标记代表相同或相似的部件。【具体实施方式】 下面结合附图对本申请作进一步详细描述。 在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个 处理器(CPU)、输入/输出接口、网络接口和内存。 内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或 非易失性内存等形式，如只读存储器(RCM)或闪存(flashRAM)。内存是计算机可读介质的示 例。 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可W由任何方法 或技术来实现信息存储。信息可W是计算机可读指令、数据结构、程序的模块或其他数据。 计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动 态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除 可编程只读存储器化EPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、 数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或 任何其他非传输介质，可用于存储可W被计算设备访问的信息。按照本文中的界定，计算机 可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。 图1示出根据本申请的一个方面的一种图片检测设备的示意图。所述的图片检测 设备1包括第一装置11、第二装置12、第Ξ装置13、第四装置14。 其中，第一装置11获取已分别标注图片类型的多个第一图片，其中，所述图片类型 包括第一类型或第二类型;第二装置12根据所述第一图片所对应的上传用户信息对所述多 个第一图片进行关联处理;第Ξ装置13根据经关联处理的所述多个第一图片确定图片检测 模型，其中，所述图片检测模型包括用户与所述图片类型的映射关系;第四装置14利用所述 图片检测模型确定第二图片的所述图片类型。 具体地，第一装置11获取已分别标注图片类型的多个第一图片，其中，所述图片类 型包括第一类型或第二类型。在此，第一图片是作为样本数据的图片，第一类型或第二类型 为需要鉴别的图片类型。例如，在需要对违禁图片进行检测时，第一图片即为已经标注的违 禁图片和正常图片，第一类型和第二类型就是违禁图片和正常图片。第一图片在获取作为 样本时已经被标注，其中，标注的内容至少包括需要鉴别的图片类型。标注的方式和来源可 W多样化，例如，是来自于系统之前人工鉴别后标注过的图片，或者对图片的MD5进行计算 并与样本MD5进行比对并记录和标注。 本领域技术人员应能理解上述标注第一图片类型的方式仅为举例，其他现有的或 今后可能出现的标注第一图片类型的方式如可适用于本专利技术，也应包含在本专利技术保护范围 W内，并在此W引用方式包含于此。 所述图片检测设备1的第二装置12,根据所述第一图片所对应的上传用户信息对 所述多个第一图片进行关联处理。其中，第一图片有对应的上传用户信息，例如，可W读取 第一图片对应的后台数据库或日志中的信息，或者根据第一图片的应用端的用户ID从后台 提取其相关信息，然后用S化语言找出对应的账号信息。进一步，为了将运些信息整合，从而 可W对其进行后续的统一操作，需要对其进行关联。 本领域技术人员应能理解上述获取第一图片所对应的上传用户信息的方式仅为 举例，其他现有的或今后可能出本文档来自技高网...

【技术保护点】
一种图片检测方法，包括：获取已分别标注图片类型的多个第一图片，其中，所述图片类型包括第一类型或第二类型；根据所述第一图片所对应的上传用户信息对所述多个第一图片进行关联处理；根据经关联处理的所述多个第一图片确定图片检测模型，其中，所述图片检测模型包括用户与所述图片类型的映射关系；利用所述图片检测模型确定第二图片的所述图片类型。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：金炫，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY