图像审核方法、装置、设备、存储介质及产品制造方法及图纸

本申请实施例公开了一种图像审核方法、装置、设备、存储介质及产品。通过将待审核图像输入至目标场景过滤模型中，确定目标场景过滤模型输出的至少一个场景过滤结果；在各场景过滤结果满足预设图像审核条件时，将待审核图像输入至与目标场景过滤模型对应的标签分类模型中；其中，标签分类模型中包括公用特征提取器以及至少一个标签分类子模型，各标签分类子模型中包括对应的独立特征提取器和全连接层；基于标签分类模型中各标签分类子模型的输出结果，确定待审核图像的审核结果。本申请实施例的技术方案，将单一模型结构的图像审核方式转换为级联模式，有效降低了需要进入标签分类模型中的数据量，降低了对计算资源的占用率，提升了审核识别效果。升了审核识别效果。升了审核识别效果。

【技术实现步骤摘要】
图像审核方法、装置、设备、存储介质及产品


[0001]本申请实施例涉及人工智能
，尤其涉及一种图像审核方法、装置、设备、存储介质及产品。

技术介绍

[0002]随着科学技术的发展与进步，内容安全已逐渐成为互联网生态治理的主要内容，庞大的互联网图像数据若仅依靠人工审核不仅识别效率较低，还会极大地耗费人力资源，因此在图像内容审核等风控工作中，主流的审核算法已逐渐转变为依据计算机视觉的人工智能审核。
[0003]目前，在对图片中内容进行识别并进行多标签分类的任务中，常通过将图片输入至预先训练好的，可进行N个标签判定的卷积神经网络模型中，依据其输出结果确定图片内容对应的标签。
[0004]然而，同一卷积神经网络模型能够识别的标签类型有限，大数据量且类型混杂的图片输入将较大影响卷积神经网络模型的运算速度。同时不同用户针对标签判定具有特定的需求，而由于卷积神经网络模型中的标签判定常需共享同一个全连接层，在针对特定需求对卷积神经网络模型微调时，不同标签之间会因共享全连接层而相互影响，降低了个性化调整效率。而不共享全连接层的卷积神经网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像审核方法，其特征在于，包括：将待审核图像输入至目标场景过滤模型中，确定所述目标场景过滤模型输出的至少一个场景过滤结果；在各所述场景过滤结果满足预设图像审核条件时，将所述待审核图像输入至与所述目标场景过滤模型对应的标签分类模型中；其中，所述标签分类模型中包括公用特征提取器以及至少一个标签分类子模型，各所述标签分类子模型中包括对应的独立特征提取器和全连接层；基于所述标签分类模型中各所述标签分类子模型的输出结果，确定所述待审核图像的审核结果。2.根据权利要求1所述的方法，其特征在于，在所述将待审核图像输入至目标场景过滤模型中之前，还包括：确定与所述待审核图像对应的场景过滤需求；若预确定的场景过滤模型中包括与所述场景过滤需求对应的场景定义，则将所述预确定的场景过滤模型确定为目标场景过滤模型；若预确定的场景过滤模型中不包括与所述场景过滤需求对应的场景定义，则获取与所述场景定义对应的场景图像训练样本集，并通过所述场景图像训练样本集对所述场景过滤模型进行微调，确定微调后的所述场景过滤模型为目标场景过滤模型。3.根据权利要求2所述的方法，其特征在于，在所述通过所述场景图像训练样本集对所述场景过滤模型进行微调，确定微调后的所述场景过滤模型为目标场景过滤模型之后，还包括：确定与所述目标场景过滤模型对应的标签分类模型的原始训练样本集；将所述原始训练样本集与所述场景图像训练样本集相结合，构建标签分类训练样本集；通过所述标签分类训练样本集对所述标签分类模型进行微调。4.根据权利要求3所述的方法，其特征在于，所述通过所述标签分类训练样本集对所述标签分类模型进行微调，包括：根据所述目标场景过滤模型由所述标签分类模型中确定待调整标签分类子模型；冻结所述标签分类模型中除所述待调整标签分类子模型外的所有参数；通过所述标签分类训练样本集对所述待调整标签分类子模型进行训练，得到与所述目标场景过滤模型对应的新的标签分类模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述目标场景过滤模型由所述标签分类模型中确定待调整标签分类子模型，包括：根据所述目标场景过滤模型对应的目标标签类型，以及所述标签分类模型对应的标签类型，确定待调整标签类型；将所述待调整标签类型对应的标签分类子模型确定为待调整标签分类子模型。6.根据权利要求1所述的方法，其特征在于，所述将待审核图像输入至目标场景过滤模型中，确定所述目标场景过滤模型输出的至少一个场景过滤结果，包括：将所述待审核图像输入至目标场景过滤模型的图像特征提取器中进行特征提取，确定第一特征图；
根...

【专利技术属性】
技术研发人员：管昕伟，陈德健，项伟，
申请(专利权)人：百果园技术新加坡有限公司，
类型：发明
国别省市：