垃圾图片的识别方法、装置及设备制造方法及图纸

本申请公开了一种垃圾图片的识别方法、装置及设备，涉及图像识别技术领域。其中方法包括：首先基于确定的深度学习模型，选取前预设数量层参数作为基础网络，并在基础网络之后构建浅层分类网络；然后冻结基础网络的参数，利用垃圾图片训练集训练浅层分类网络；若根据浅层分类网络训练更新后的参数判定网络收敛，则解冻基础网络的参数，并利用小于预设阈值的学习率，对基础网络和浅层分类网络的所有参数进行预设个数的全量数据的训练，以调整基础网络之前冻结的参数，得到目标深度学习模型；最后利用目标深度学习模型进行图片分类，以确定待识别图片是否为垃圾图片。本申请可自动化实现垃圾图片的分类识别，可提高垃圾图片的识别效率和准确率。

【技术实现步骤摘要】
垃圾图片的识别方法、装置及设备
本申请涉及图像识别
，尤其是涉及到一种垃圾图片的识别方法、装置及设备。
技术介绍
随着网络信息的爆炸式增长，各个来源的图片数据也越来越多，而不符合法律法规、不适宜互联网环境的图片也随之出现，为了维护绿色纯净的互联网环境，图片反垃圾的工作也变得尤为重要。图片反垃圾主要应用在头像审核、互联网术语（UserGeneratedContent，UGC）审核、即时通讯，以及其他上传、发布、展示图片的场景里。目前，可通过人工逐一审核的方式，进而找到这些垃圾图片。然而这种人工审核的方式效率较低，并且会耗费大量的人力成本。
技术实现思路
有鉴于此，本申请提供了一种垃圾图片的识别方法、装置及设备，主要目的在于改善目前人工审核垃圾图片的方式效率较低，会耗费大量人力成本的技术问题。依据本申请的一个方面，提供了一种垃圾图片的识别方法，该方法包括：基于确定的深度学习模型，选取前预设数量层参数作为基础网络，并在所述基础网络之后构建浅层分类网络，不同的垃圾图片类型各自对应一个独立参数的浅层分类网本文档来自技高网...

【技术保护点】
1.一种垃圾图片的识别方法，其特征在于，包括：/n基于确定的深度学习模型，选取前预设数量层参数作为基础网络，并在所述基础网络之后构建浅层分类网络，不同的垃圾图片类型各自对应一个独立参数的浅层分类网络；/n冻结所述基础网络的参数，并利用垃圾图片训练集，训练所述浅层分类网络，以更新所述浅层分类网络对应的参数，其中每个浅层分类网络都由各自对应垃圾图片类型的训练集进行训练；/n若根据所述浅层分类网络训练更新后的参数判定网络收敛，则解冻所述基础网络的参数，并利用小于预设阈值的学习率，对所述基础网络和所述浅层分类网络的所有参数进行预设个数的全量数据的训练，以调整所述基础网络之前冻结的参数，得到目标深度学习...

【技术特征摘要】
1.一种垃圾图片的识别方法，其特征在于，包括：
基于确定的深度学习模型，选取前预设数量层参数作为基础网络，并在所述基础网络之后构建浅层分类网络，不同的垃圾图片类型各自对应一个独立参数的浅层分类网络；
冻结所述基础网络的参数，并利用垃圾图片训练集，训练所述浅层分类网络，以更新所述浅层分类网络对应的参数，其中每个浅层分类网络都由各自对应垃圾图片类型的训练集进行训练；
若根据所述浅层分类网络训练更新后的参数判定网络收敛，则解冻所述基础网络的参数，并利用小于预设阈值的学习率，对所述基础网络和所述浅层分类网络的所有参数进行预设个数的全量数据的训练，以调整所述基础网络之前冻结的参数，得到目标深度学习模型；
获取待识别图片的图片特征并将所述图片特征输入到所述目标深度学习模型中进行图片分类，得到第一分类结果；
获取所述待识别图片对应的人脸特征并利用分类器进行图片分类，得到第二分类结果；
获取所述待识别图片对应的文字特征并利用分类模型进行图片分类，得到第三分类结果；
融合所述第一分类结果、所述第二分类结果和所述第三分类结果，确定所述待识别图片的图片分类结果。


2.根据权利要求1所述的方法，其特征在于，所述解冻所述基础网络的参数，并利用小于预设阈值的学习率，对所述基础网络和所述浅层分类网络的所有参数进行预设个数的全量数据的训练，具体包括：
每次随机选取各个垃圾图片类型的训练集中的预置数量样本图片，通过各自对应的浅层分类网络进行计算；
将计算得到的损失函数误差反馈给所述基础网络进行修正参数，使得各个垃圾图片类型的训练集对所述基础网络的影响是相同的。


3.根据权利要求2所述的方法，其特征在于，所述将计算得到的损失函数误差反馈给所述基础网络进行修正参数，使得各个垃圾图片类型的训练集对所述基础网络的影响是相同的，具体包括：
对各个垃圾图片类型的训练集中目标样本图片被选取的概率乘以修正系数，所述修正系数与所述目标样本图片所在训练集所对应的图片数量的倒数成正比。


4.根据权利要求1所述的方法，其特征在于，所述利用垃圾图片训练集，训练所述浅层分类网络，以更新所述浅层分类网络对应的参数，具体还包括：
将所述垃圾图片训练集中垃圾图片样本特征在所述基础网络中对应的计算结果提前计算并存储；
在训练所述浅层分类网络时，读取存储的对应计算结果，作为各个浅层分类网络共用的所述基础网络的输出结果。


5.根据权利要求4所述的方法，其特征在于，获取待识别图片的图片特征并将所述图片特征输入到所述目标深度学习模型中进行图片分类，得到第一分类结果，具体包括：
获取所述待识别图片的所述图片特征并将所述图片特征输入到所述目标深度学习模型中，获取所述图片特征对应存储的基础网络计算结果；
将所述基础网络计算结果分发到各个浅层分类网络中分别进行图片分类；
通过融合各个浅层分类网络得到的图片分类结果，得到所述待识别图片的第一分类结果。


6.根据权利要求1所述的方法，其特征在于，在所述冻结所述基础网络的参数，并利用垃圾图片训练集，训练所述浅层分类网络之前，所述方法还包括：
获取垃圾图片的基础数据集；
利用图片增...

【专利技术属性】
技术研发人员：张伟望，刘炎，覃建策，田本真，陈邦忠，
申请(专利权)人：完美世界北京软件科技发展有限公司，
类型：发明
国别省市：北京;11