图像审核模型、方法及电子设备技术

本发明专利技术实施例涉及一种图像审核模型、方法及电子设备，该图像审核模型包括：特征提取模块，用于根据预设图像，提取第一图像特征；多个注意力模块中的每一个注意力模块，分别用于根据与自身对应的特征提取规则，对第一图像特征进行处理，获取第二图像特征；每一个分类模块，分别用于分别根据每一个第二图像特征，预测图像所属类别，其中每一个分类模块预测的图像所属类别包括：多种特征提取规则分别对应的类别中的其中一种类别；统计输出模块，用于统计图像所属的所有类别，并输出结果。使用经过训练好的模型，可以同时处理多种图片内容审核任务，单次推理即可获得所有结果，因而就存在吞吐量大的优点。吐量大的优点。吐量大的优点。

【技术实现步骤摘要】
图像审核模型、方法及电子设备


[0001]本专利技术实施例涉及计算机
，尤其涉及一种图像审核模型、方法及电子设备。

技术介绍

[0002]随着互联网飞速发展和信息量的暴增，大量的非法(例如法律法规不允许传播、展示等的)图像夹杂于信息中，影响互联网健康发展。近些年计算机视觉技术发展迅速，机器学习技术在处理图像分类任务上已经成熟。使用机器学习模型对互联网图像进行分类，判断图像是否违规，可以极大地减少人工审核工作量。
[0003]使用单个卷积神经网络处理一种分类问题能取得很高的准确率。但是，若要同时分析图像在多个任务(分为多类)上的结果，需要分别训练多个机器学习模型，预测时同样需要运行多个模型，造成资源和时间浪费。

技术实现思路

[0004]本申请提供了一种图像审核模型、方法及电子设备，以解决现有技术中针对同一图像，执行不同的分类任务时，需要同时训练多个分类模型，预测时同样需要运行多个模型，造成资源和时间浪费的技术问题。
[0005]第一方面，本申请提供了一种图像审核模型，该图像审核模型包括：特征提取模块、多个注意力模块，以及多个分类模块，其中，每个注意力模块对应预获取的多种特征提取规则中的一种特征提取规则，每一类特征提取规则对应一类特征标签；
[0006]特征提取模块，用于根据预设图像，提取第一图像特征；
[0007]多个注意力模块中的每一个注意力模块，分别用于根据与自身对应的特征提取规则，对第一图像特征进行处理，获取第二图像特征；
[0008]每一个分类模块，分别用于分别根据每一个第二图像特征，预测图像所属类别，其中每一个分类模块预测的图像所属类别包括：多种特征提取规则分别对应的类别中的其中一种类别；
[0009]统计输出模块，用于统计图像所属的所有类别，并输出结果。
[0010]第二方面，本申请提供了一种图像审核方法，该方法应用于如第一方面的图像审核模型，该方法包括：
[0011]根据图像，提取第一图像特征；
[0012]根据预获取的多个特征提取规则中的每一个特征提取规则，对第一图像特征进行处理，获取多个第二图像特征；
[0013]分别根据每一个第二图像特征，预测图像所属类别，其中每一个分类模块预测的图像所属类别包括：多种特征提取规则分别对应的类别中的其中一种类别；
[0014]统计图像所属的所有类别，并输出结果。
[0015]第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其
中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0016]存储器，用于存放计算机程序；
[0017]处理器，用于执行存储器上所存放的程序时，实现第二方面任一项实施例的图像审核方法的步骤。
[0018]第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第二方面任一项实施例的图像审核方法的步骤。
[0019]本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
[0020]本申请实施例提供的该图像审核模型，特征提取模块根据预设图像，提取第一图像特征。多个注意力模块中的每一个注意力模块，分别用于根据与自身对应的特征提取规则，对第一图像特征进行处理，获取第二图像特征。每一个分类模块，分别用于根据第二图像特征，预测图像所属类别。其中，每一个分类模块预测的图像所属类别均是多种特征提取规则分别对应的类别中的其中一种。也即是说，通过该图像审核模型，可以利用多个注意力模块中的每一个注意力模块，根据特征提取规则的不同，针对同一图像可以提取不同的图像特征，进而根据不同的图像特征来分别预测并输出图像的所属类别。将注意力机制引入到不同任务分支(对应不同特征提取规则)，可以让每个任务分别获取所需特征，避免硬共享参数。而且，该模型在训练过程中也可以同时针对多个任务同时训练，多个任务不会互相影响，易于训练，各个任务也都可以取得很高的准确率。使用经过训练好的模型，可以同时处理多种图片内容审核任务，单次推理即可获得所有结果，因而就存在吞吐量大的优点。
附图说明
[0021]图1为本专利技术实施例提供的一种图像审核模型结构框图；
[0022]图2为本专利技术实施例提供的另一种图像审核模型结构框图；
[0023]图3为本专利技术提供的特征提取模块的具体结构示意图；
[0024]图4本专利技术提供的一种图像审核模型实际应用中的整体示意结构图；
[0025]图5为本专利技术提供的图4中用以表示注意力模块与subnet模块，以及 flatten模块之间的结构关系的局部示意图；
[0026]图6为本专利技术提供的特征拼接模块与分类模块之间的关系的结构示意图；
[0027]图7为本专利技术提供的一种注意力机制模块的具体结构示意图；
[0028]图8为本专利技术提供的一种子网络结构的具体结构示意图；
[0029]图9为本专利技术实施例提供的一种图像审核方法流程示意图；
[0030]图10为本专利技术提供的针对多任务的图像审核模型的训练过程以及首次应用流程示意图；
[0031]图11为本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0032]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033]为便于对本专利技术实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本专利技术实施例的限定。
[0034]针对
技术介绍
中所提及的技术问题，本申请实施例提供了一种图像审核模型，具体参见图1所示，图1为本专利技术实施例提供的一种图像审核模型结构框图。该方该图像审核模型包括：特征提取模块101、多个注意力模块102、多个分类模块103，以及统计输出模块104。
[0035]其中，每个注意力模块102对应预获取的多种特征提取规则中的一种特征提取规则，每一类特征提取规则对应一类特征标签。
[0036]特征提取模块101，用于根据预设图像，提取第一图像特征。
[0037]多个注意力模块102中的每一个注意力模块102，分别用于根据与自身对应的特征提取规则，对第一图像特征进行处理，获取第二图像特征。
[0038]每一个分类模块103，分别用于分别根据每一个第二图像特征，预测图像所属类别，其中每一个分类模块103预测的图像所属类别包括：多种特征提取规则分别对应的类别中的其中一种类别。
[0039]统计输出模块104，用于统计图像所属的所有类别，并输出结果。
[0040]具体的，特征提取模块101，用于对预设图像进行初步的特征提取，以获取第一图像特征。注意力模块102，是一种用于前馈卷积神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像审核模型，其特征在于，所述图像审核模型包括：特征提取模块、多个注意力模块，以及多个分类模块，其中，每个所述注意力模块对应预获取的多种特征提取规则中的一种特征提取规则，每一类所述特征提取规则对应一类特征标签；所述特征提取模块，用于根据预设图像，提取第一图像特征；多个注意力模块中的每一个所述注意力模块，分别用于根据与自身对应的特征提取规则，对所述第一图像特征进行处理，获取第二图像特征；每一个所述分类模块，分别用于分别根据每一个所述第二图像特征，预测所述图像所属类别，其中每一个所述分类模块预测的图像所属类别包括：所述多种特征提取规则分别对应的类别中的其中一种类别；统计输出模块，用于统计所述图像所属的所有类别，并输出结果。2.根据权利要求1所述的图像审核模型，其特征在于，所述图像审核模型还包括：降维模块，用于对所述第二图像特征进行降维，获取降维特征。3.根据权利要求2所述的图像审核模型，其特征在于，当所述特征提取模块包括基于基础网络生成的多层特征金字塔结构时，每一层金字塔结构分别与多个注意力模块中的每一个注意力模块建立连接；每一层特征金字塔均用于针对所述预设图像提取所述第一图像特征，并将第一图像特征分别输入到不同的注意力模块中，获取多个所述第二图像特征，其中，每一层金字塔结构提取的所述第一图像特征不同。4.根据权利要求3所述的图像审核模型，其特征在于，所述图像审核模型，还包括多个获取模块，以及多个特征融合模块；每一个所述获取模块分别与一个所述注意力模块建立连接，以及与一个所述特征融合模块连接，所述特征融合模块与所述降维模块连接；所述获取模块，用于获取与所述第二图像特征对应的增强数据；所述特征融合模块，用于将所述第二图像特征与所述增强数据进行融合，获取与每一个特征提取规则对应的融合特征；所述降维模块具体用于，对所述融合特征进行降...

【专利技术属性】
技术研发人员：周伟伟，唐中平，王卫锋，郭逸豪，黄宇生，赵邢瑜，凌承昆，龚啸云，陆嘉达，林翔鹏，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：