违规图像识别方法及相关装置制造方法及图纸

本申请提供的一种违规图像识别方法及相关装置中，图像识别设备获取待识别图像；将待识别图像区域之间的特征进行比较，确定区域之间各自的关注度，根据待识别图像区域之间各自的关注度，获得待识别图像的违规等级。由于关注度越高表征对应区域的违规等级越高，因此，结合待识别图像区域之间的关注度对图像进行识别，各区域之间的关注度能够提供指示信息，使得重点对关注度较高的区域进行识别，从而减少图像中其他类型的违规信息所造成的干扰，以达到提高对待识别图像的分类精度。达到提高对待识别图像的分类精度。达到提高对待识别图像的分类精度。

【技术实现步骤摘要】
违规图像识别方法及相关装置


[0001]本申请涉及图像识别领域，具体而言，涉及一种违规图像识别方法及相关装置。

技术介绍

[0002]随着互联网逐渐渗透到生活的方方面面，因此，互联网平台有义务对平台上发布的信息进行监督，从而及时发现违规信息并进行处理。然而，平台在对发布的信息进行监督的过程中，为了灵活控制其中的成本与收益，需要对发布的消息进行细粒度地区分，即不仅需要识别发布的内容是否违规，还需要知道违规的等级，进而针对不同的违规等级采取不同的处理措施。
[0003]研究发现，当用户发布的信息中同时存在多种违规等级的违规信息时，违规信息之间会相互干扰，继而影响最终的分类结果。

技术实现思路

[0004]为了克服现有技术中的至少一个不足，本申请提供一种违规图像识别方法及相关装置，用于提升待识别图像中同时存在多种违规信息时的识别精度，具体包括：
[0005]第一方面，本申请提供一种违规图像识别方法，应用于图像识别设备，所述方法包括：
[0006]获取待识别图像；
[0007]将所述待识别图像区域之间的特征进行比较，确定区域之间各自的关注度，其中，所述关注度越高表征对应区域的违规等级越高；
[0008]根据所述待识别图像区域之间各自的关注度，获得所述待识别图像的违规等级。
[0009]第二方面，本申请提供一种违规图像识别装置，应用于图像识别设备，所述装置包括：
[0010]图像获取模块，用于获取待识别图像；
[0011]图像优化模块，用于将所述待识别图像的区域之间的特征进行比较，确定区域之间各自的关注度，所述关注度越高表征对应区域的违规等级越高；
[0012]图像识别模块，用于根据所述待识别图像区域之间各自的关注度，获得所述待识别图像的违规等级。
[0013]第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现所述的违规图像识别方法。
[0014]第四方面，本申请提供一种图像识别设备，所述图像识别设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的违规图像识别方法。
[0015]相对于现有技术而言，本申请具有以下有益效果：
[0016]本申请提供的一种违规图像识别方法及相关装置中，图像识别设备获取待识别图像；将待识别图像区域之间的特征进行比较，确定区域之间各自的关注度，根据待识别图像
区域之间各自的关注度，获得待识别图像的违规等级。由于关注度越高表征对应区域的违规等级越高，因此，结合待识别图像区域之间的关注度对图像进行识别，各区域之间的关注度能够提供指示信息，使得重点对关注度较高的区域进行识别，从而减少图像中其他类型的违规信息所造成的干扰，以达到提高对待识别图像的分类精度。
附图说明
[0017]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0018]图1为本申请实施例提供的违规图像识别方法的流程图；
[0019]图2为本申请实施例提供的直播图像的直接分割示意图；
[0020]图3为本申请实施例提供的图像识别模型的结构示意图；
[0021]图4为本申请实施例提供的特征区块的分割示意图；
[0022]图5为本申请实施例提供的自注意力机制的原理示意图；
[0023]图6为本申请实施例提供的违规图像识别装置的结构示意图；
[0024]图7为本申请实施例提供的图像识别设备的结构示意图。
[0025]图标：101
‑
图像获取模块；102
‑
图像优化模块；103
‑
图像识别模块；201
‑
存储器；202
‑
处理器；203
‑
通信单元；204
‑
系统总线。
具体实施方式
[0026]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
[0027]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0028]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0029]在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0030]基于上述声明，为使本申请实施例的目的、技术方案和优点更加清楚，在详细介绍本实施之前，先就本实施例涉及的相关专业术语进行解释说明。
[0031]神经网络，表示由人工神经单元组成的网络模型，其模型结构包括输入层、隐含层、输出层。一般而言，神经网络的第一层是输入层，最后一层是输出层，中间的层数都是隐含层。其中，具有很多层隐含层的神经网络则称为深度神经网络(Deep Neural Network，DNN)。神经网络中的每一层的工作可以用数学表达式来描述：
[0032]y＝a(W
·
x+b)
[0033]式中，y表示该网络层的输出，x表示该网络层的输入，W表示该网络层的权重，b表示该网络层的平移操作，a表示该网络层的弯曲操作。
[0034]因此，权重W决定着上文输入空间到输出空间的空间变换，即神经网络每一层的W控制着如何对输入进行空间维度的变化，因此，训练神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵。换句话说，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。
[0035]卷积神经网络，是一种带有卷积结构的深度神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。该特征抽取器可以看作是滤波器，卷积过程可以看作是使用一个可训练的滤波器与一个输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种违规图像识别方法，其特征在于，应用于图像识别设备，所述方法包括：获取待识别图像；将所述待识别图像区域之间的特征进行比较，确定区域之间各自的关注度，其中，所述关注度越高表征对应区域的违规等级越高；根据所述待识别图像区域之间各自的关注度，获得所述待识别图像的违规等级。2.根据权利要求1所述的违规图像识别方法，其特征在于，所述将所述待识别图像区域之间的特征进行比较，确定区域之间各自的关注度，包括：获取所述待识别图像的多个局部特征；将所述多个局部特征之间进行比较，确定所述区域之间各自的关注度。3.根据权利要求2所述的违规图像识别方法，其特征在于，所述获取所述待识别图像的多个局部特征，包括：获取所述待识别图像的特征图，其中，所述特征图通过对所述待识别图像进行特征提取获得；根据所述特征图，获得多个特征区块的特征，其中，所述多个特征区块分别对应所述特征图中的不同位置；将所述多个特征区块的特征，作为所述待识别图像的多个局部特征。4.根据权利要求3所述的违规图像识别方法，其特征在于，所述图像识别设备配置有图像识别模型，所述图像识别模型包括特征提取层，所述根据所述特征图，获得多个特征区块的特征，包括：将所述特征图输入到所述特征提取层进行处理，获得所述多个特征区块的特征。5.根据权利要求4所述的违规图像识别方法，其特征在于，所述特征提取层包括池化层以及分割层，所述将所述特征图输入到所述特征提取层进行处理，获得所述多个特征区块的特征：将所述特征图输入到所述池化层，获得池化后的特征图；将所述池化后的特征图输入到所述分割层，获得所述多个特征区块的特征，其中，所述分割层包括卷积核，所述卷积核的步长与所述卷积核的窗口尺寸一致，用于将所述...

【专利技术属性】
技术研发人员：刘袁凯，
申请(专利权)人：广州虎牙信息科技有限公司，
类型：发明
国别省市：