Nothing Special   »   [go: up one dir, main page]

CN106682694A - 一种基于深度学习的敏感图像识别方法 - Google Patents

一种基于深度学习的敏感图像识别方法 Download PDF

Info

Publication number
CN106682694A
CN106682694A CN201611223417.XA CN201611223417A CN106682694A CN 106682694 A CN106682694 A CN 106682694A CN 201611223417 A CN201611223417 A CN 201611223417A CN 106682694 A CN106682694 A CN 106682694A
Authority
CN
China
Prior art keywords
training
network
test
sensitive
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611223417.XA
Other languages
English (en)
Inventor
胡二雷
杜姗姗
冯瑞
金城
薛向阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN201611223417.XA priority Critical patent/CN106682694A/zh
Publication of CN106682694A publication Critical patent/CN106682694A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于数字图像处理技术领域，具体为一种基于深度学习的敏感图像识别方法。本发明主要包括如下步骤：对敏感图像进行预处理；将预处理后的全部敏感图像数据库分为训练集和测试集两部分，其中训练集又分为train和validation两个部分，比例约为5:1；将训练集图像用于深度卷积神经网络训练，训练出来的是卷积神经网络各层之间的参数；训练完成后，用训练的模型初始化测试用的神经网络，测试用的神经网络和训练的网络结构相同；将测试用的敏感图像输入到初始化后的深度神经网络，进行识别测试，实现敏感图像的识别；本发明不需要人为参与和调整，能够完成特征的提取和分类的功能，提供了一种可靠的高性能的基于深度学习的敏感图像识别技术。

Description

一种基于深度学习的敏感图像识别方法
技术领域
本发明属于数字图像处理技术领域，具体涉及一种基于深度学习的敏感图像识别方法。
背景技术
随着互联网特别是移动互联网的迅速普及，以图像、视频为代表的多媒体数据正在以惊人的速度进行增长。如何检测互联网内容中的敏感图像成为研究的热点。敏感图像主要指：色情、暴力、反动、敏感人物(如：达赖)等，传统的监控方法主要依靠人力，随着多媒体内容的爆炸性增长，靠人工检查的方式已经无法满足实际需要。一方面是视频图像等数据呈爆炸式增长，人工方式无法承担巨大的核查工作量；另一方面是存在着大量已经过时或者已经被核查过的数据，造成大量无用的重复工作量。
深度学习属于机器学习，深度学习是近几年机器学习领域的热点，在语音识别、图像识别等领域取得了巨大的成功。
深度学习技术有着很长的发展历史，早期人工神经网络的研究促进了深度学习的产生。一般的，深度学习是指有输入层、多个隐含层和输出层的深层模型。反向传播技术在20世纪80年代特别流行，是有名的学习网络结构各层之间权重的算法。Yann LeCun最先采用深度的有监督的反向传播卷积网络识别手写数字图像。在最近几年里，采用深度卷积网络识别手写数字图像已经成为计算机视觉和机器学习领域最有价值的研究话题，在这两个领域里，深度学习技术都取得了最先进的成果。卷积神经网络(CNN)由Krizhevsky等人提出，并在2012年利用该技术赢得了ImageNet图像分类的冠军。ImageNet是一个大规模的数据集，拥有1500万张有标记的图像，属于22000个类别。ImageNet里面的图像从互联网上收集而来，使用亚马逊的工具Mechanical Turk crowd-source经过人工的方式做标记，
从2010年开始，ImageNet数据集作为ImageNet大规模视觉识别挑战(ILSVRC)的一部分，每年举行一次，ILSVRC使用ImageNet中1000个类别，每个类别包括1000张图像，120张图像作为训练集，50000张图像作为验证集，15万张图像作为测试集，当时使用的模型有8层，前5层为卷积层，后三层为全连接层，深度学习框架caffe就是按照这个模型实现的一个开源框架，本发明中我们使用的深度学习开源框架就是caffe。
发明内容
本发明的目的就是为了克服人工识别敏感图像费时费力的不足，提供一种基于深度学习的方法，提高敏感图像识别的效率。
本发明提供的基于深度学习的敏感图像识别方法，具体步骤为：
步骤1、从搜集的敏感图像数据库中提取敏感图像信息；
步骤2、对敏感图像信息进行训练前的预处理；
步骤3、将经过预处理后的全部敏感图像分为训练集和测试集；
步骤4、将训练集用于深度神经网络(DNN)的训练；
步骤5、深度神经网络(DNN)的训练结果初始化测试用的神经网络；
步骤6、将测试集输入到初始化之后的神经网络进行敏感图像的识别测试。
其中：
步骤2中，敏感图像的预处理，包括：
对敏感图像数据库中的每一副图像进行采样，提取含有敏感信息的部分，同时将图像转化为jpg格式，缩放为256*256大小，生成图像路径/标签形式的文本，然后乱序排列文本中的信息。
步骤4中，深度卷积神经网络(DNN)的训练，包括：
深度卷积神经网络的训练有两种形式，预训练(pre-training)和调优(fine-tuning)，预训练的时间消耗较长，且不能保证训练的模型能够收敛，所以本发明采用调优的形式训练模型，fine-tuning使用相同网络训练好的模型初始化神经网络，然后根据训练样本微调神经网络之间的参数，增加对训练样本的学习能力，不仅训练的时间较短，而且可以保证收敛。
步骤5种，测试神经网络的初始化，包括：
测试用的神经网络和训练用的神经网络结构相同，最后一层网络softmax输出的是测试图像属于每个类别的概率。初始化测试网络，就是将训练好之后的深度神经网络中的每一层隐层的网络权重值，直接传给测试网络相应层，从而使得测试网络和训练的模型具有相同的隐层层数、隐层节点数和每一层的网络权重值。
步骤6中，敏感图像识别结果的输出，包括：
对于敏感图像测试集中的样本，采用初始化之后的深度神经网络(DNN)模型进行敏感图像的识别测试，输出敏感图像识别的结果。这里利用了softmax层的特点，softmax层输出的n维向量是测试图像属于每个类别的概率，所以，在n维向量中值最大的下标即对应训练样本中label对应的那个类别。
本发明所采用的深度卷积神经网络(DNN)的调优(fine-tunning)，包括：采用自顶向下的监督学习的方法进行学习和调优，即采用有标签的样本数据进行训练，误差自顶向下传输，对网络进行调优。通过调优之后，使得深度卷积神经网络(DNN)模型的每一层隐层的网络权重值都能够达到最优值。具体调优(fine-tuning)过程如下：
根据输入数据和输出结果的误差函数，使用反向传播算法更新网络的权重值，使得网络达到全局最优。输入数据和输出结果之间的代价函数为：
权重衰减参数λ的目的是控制公式中两项对总代价的影响比重。其中：J(W,b；x,y)是单个样例(x(i),y(i))计算得到的代价函数；J(W,b)是全部样本的代价函数，它含有权重衰减项。
梯度下降法主要是更新权重参数W和偏置参数b，计算的公式如下所示：
首先，计算前需要使用反向传播算法来计算和这两项，这两项是单个样例输入(x,y)的代价函数J(W,b；x,y)的偏导数。求出该偏导数，然后计算整体代价函数J(W,b)的偏导数：
该公式中，上式比下式多一项，因为权重衰减要作用于权重参数W而不是偏置b。
反向传播算法的主要思路如下：
输入样例(x,y)，根据forward方法计算，得到网络中所有的激活值，即hW,b(x)的输出值。之后针对第l层的每一个节点i，计算出其“残差”即输出值和目标值之间的差值。最后的输出结点由于目标值就是训练样本对应的label，计算的残差为(该值是已知的)。对于隐藏单元，将基于节点(第l+1层节点)残差的加权平均值计算这些节点以作为输入。下面将给出反向传导算法的细节：
1、进行前向传导计算，利用前向传导公式，计算得到L2，L3,...直到输出层Lnl的激活值。
2、对于第nl层(输出层)的每个输出单元i，根据以下公式计算残差：
3、对l＝nl-1,nl-2,nl-3,...,2的各个层，第l层的第i个节点的残差计算方法如下：
4、计算需要的偏导数，计算方法如下：
5、按照上面的方法，重复迭代以减小代价函数J(W,b)的值，进而求解神经网络的参数。
与现有技术相比，本发明的优点和效果有：
1、对于敏感特征的提取，直接采用敏感图像的原始像素特征信息，方法简单，不需要人工设计特征。
2、使用深度卷积神经网络，避免传统的模式识别人为设计特征，深度学习自动学习有效的特征。
3、通过调节参数和优化模型，充分发挥深度卷积神经网络的特征学习能力，提供一种高性能的基于深度学习的敏感图像识别的方法
4、本发明在调优(fine-tuning)的基础上增加了增量训练，继续在训练好的模型上增加样本继续训练，增强对敏感图像的学习能力。
附图说明
图1为基于深度学习的敏感图像识别训练模型和敏感图像识别的框图。
图2为神经网络图。
具体实施方式
下面对本发明所述技术方案进一步说明。
1、从搜集的敏感图像数据库中提取敏感图像信息，主要是剪切出敏感图像中含有敏感信息的部分，减少噪音部分的影响。
2、对敏感图像信息进行训练前的预处理操作，主要是将图像转化为jpg格式图像，将图像缩放为256*256大小，最后生成图像路径/label(0,1,2...m)格式的文本。
3、将经过预处理后的全部敏感图像分为训练集和测试集，即按照训练集：测试集约为10:1的比例，将所有图像分为训练集和测试集
4、将训练集用于深度神经网络(DNN)的训练，使用深度学习开源框架caffe提供的训练接口，开始训练模型。
5、敏感图像测试，具体为，输入要识别的图像，使用模型初始化神经网络，经过神经网络的运算，最后输出识别的结果。
参考文献：
[1]Krizhevsky A,Sutskever I,Hinton G E.ImageNet Classification withDeep Convolutional Neural Networks[J].Advances in Neural InformationProcessing Systems,2012,25(2):2012.
[2]Chen Y,Lin Z,Zhao X,et al.Deep Learning-Based Classification ofHyperspectral Data[J].IEEE Journal of Selected Topics in Applied EarthObservations&Remote Sensing,2014,7(6):2094-2107.
[3]Levy E,David O E,Netanyahu N S.Genetic algorithms and deeplearning for automatic painter classification[C]//Conference on Genetic&Evolutionary Computation.ACM,2014:1143-1150.
[4]An X,Kuang D,Guo X,et al.A Deep Learning Method for Classificationof EEG Data Based on Motor Imagery[M]//Intelligent Computing inBioinformatics.2014:203-210.
[5]康晓东,王昊,郭军,等.无监督深度学习彩色图像识别方法[J].计算机应用,2015,35(9):2636-2639.
[6]Marmanis D,Datcu M,Esch T,et al.Deep Learning Earth ObservationClassification Using ImageNet Pretrained Networks[J].IEEE Geoscience&RemoteSensing Letters,2015,13(1):1-5.
[7]Ji Wan,Dayong Wang,Steven C.H.Hoi,Pengcheng Wu,Jianke Zhu,YongdongZhang,Jintao Li.Deep Learning for Content-Based Image Retrieval:AComprehensive Study.2014。

Claims (2)

1.基于深度学习的敏感图像识别方法，其特征在于，具体步骤为：
步骤1、从搜集的敏感图像数据库中提取敏感图像信息；
步骤2、对敏感图像信息进行训练前的预处理；
步骤3、将经过预处理后的全部敏感图像分为训练集和测试集；
步骤4、将训练集用于深度神经网络的训练；
步骤5、深度神经网络的训练结果初始化测试用的神经网络；
步骤6、将测试集输入到初始化之后的神经网络进行敏感图像的识别测试；
其中：
步骤2中，敏感图像的预处理，包括：
对敏感图像数据库中的每一副图像进行采样，提取含有敏感信息的部分，同时将图像转化为jpg格式，缩放为256*256大小，生成图像路径/标签形式的文本，然后乱序排列文本中的信息；
步骤4中，深度卷积神经网络的训练，采用调优的形式训练模型，调优使用相同网络训练好的模型初始化神经网络，然后根据训练样本微调神经网络之间的参数，增加对训练样本的学习能力；
步骤5中，测试神经网络的初始化，测试用的神经网络和训练用的神经网络结构相同，最后一层网络softmax输出的是测试图像属于每个类别的概率；初始化测试网络，就是将训练好之后的深度神经网络中的每一层隐层的网络权重值，直接传给测试网络相应层，从而使得测试网络和训练的模型具有相同的隐层层数、隐层节点数和每一层的网络权重值；
步骤6中，对于敏感图像测试集中的样本，采用初始化之后的深度神经网络模型进行敏感图像的识别测试，输出敏感图像识别的结果，这里利用softmax层的特点，softmax层输出的n维向量是测试图像属于每个类别的概率，所以，在n维向量中值最大的下标即对应训练样本中label对应的那个类别。
2.根据权利要求1所述的基于深度学习的敏感图像识别方法，其特征在于，所是深度卷积神经网络的调优，采用自顶向下的监督学习的方法进行学习和调优，即采用有标签的样本数据进行训练，误差自顶向下传输，对网络进行调优；通过调优之后，使得深度卷积神经网络模型的每一层隐层的网络权重值都能够达到最优值；具体调优过程如下：
根据输入数据和输出结果的误差函数，使用反向传播算法更新网络的权重值，使得网络达到全局最优；输入数据和输出结果之间的代价函数为：
（1）
其中，是权重衰减参数，用于控制公式中两项对总代价的影响比重； 是单个样例计算得到的代价函数；是全部样本的代价函数，它含有权重衰减项；
采用梯度下降法，用于更新权重参数和偏置参数，计算的公式如下所示：
（2）
（3）
计算前需要使用反向传播算法来计算和这两项，这两项是单个样例输入的代价函数的偏导数；然后计算整体代价函数的偏导数：
（4）
所述的反向传播算法为：输入样例，根据forward方法计算得到网络中所有的激活值，即的输出值；之后针对第l层的每一个节点i，计算出其“残差”，即输出值和目标值之间的差值；最后的输出结点由于目标值就是训练样本对应的label，计算的残差为；对于隐藏单元，将基于节点即第l+1层节点的残差的加权平均值计算，这些节点以作为输入；
反向传导算法的具体流程为：
（1）进行前向传导计算，利用前向传导公式，计算得到直到输出层的激活值；
（2）对于第层即输出层的每个输出单元i，根据以下公式计算残差：
；
（3）对的各个层，第l层的第i个节点的残差计算如下：
；
（4）计算需要的偏导数：
；
（5）按照上面的方法，重复迭代以减小代价函数的值，进而求解神经网络的参数。
CN201611223417.XA 2016-12-27 2016-12-27 一种基于深度学习的敏感图像识别方法 Pending CN106682694A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611223417.XA CN106682694A (zh) 2016-12-27 2016-12-27 一种基于深度学习的敏感图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611223417.XA CN106682694A (zh) 2016-12-27 2016-12-27 一种基于深度学习的敏感图像识别方法

Publications (1)

Publication Number Publication Date
CN106682694A true CN106682694A (zh) 2017-05-17

Family

ID=58871668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611223417.XA Pending CN106682694A (zh) 2016-12-27 2016-12-27 一种基于深度学习的敏感图像识别方法

Country Status (1)

Country Link
CN (1) CN106682694A (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330519A (zh) * 2017-06-26 2017-11-07 西北工业大学 基于深度神经网络的故障定位方法
CN107369086A (zh) * 2017-07-06 2017-11-21 上海你我贷互联网金融信息服务有限公司 一种身份证打码系统及方法
CN107437096A (zh) * 2017-07-28 2017-12-05 北京大学 基于参数高效的深度残差网络模型的图像分类方法
CN107547555A (zh) * 2017-09-11 2018-01-05 北京匠数科技有限公司 一种网站安全监测方法及装置
CN107704877A (zh) * 2017-10-09 2018-02-16 哈尔滨工业大学深圳研究生院 一种基于深度学习的图像隐私感知方法
CN108038543A (zh) * 2017-10-24 2018-05-15 华南师范大学 期望与反期望深度学习方法和神经网络系统
CN108154442A (zh) * 2017-12-25 2018-06-12 杭州七炅信息科技有限公司 财产保险反欺诈检测算法
CN108334902A (zh) * 2018-02-02 2018-07-27 北京华纵科技有限公司 一种基于深度学习的轨道列车设备间烟雾防火监测方法
CN108415807A (zh) * 2018-02-12 2018-08-17 成都睿码科技有限责任公司 一种爬取监控电子设备是否浏览不良信息的方法
CN108427972A (zh) * 2018-04-24 2018-08-21 云南佳叶现代农业发展有限公司 基于在线学习的烟叶分类方法及其系统
CN108648188A (zh) * 2018-05-15 2018-10-12 南京邮电大学 一种基于生成对抗网络的无参考图像质量评价方法
CN108764293A (zh) * 2018-04-28 2018-11-06 重庆交通大学 一种基于图像的车辆检测方法及系统
CN108847223A (zh) * 2018-06-20 2018-11-20 陕西科技大学 一种基于深度残差神经网络的语音识别方法
CN108959794A (zh) * 2018-07-13 2018-12-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN109035221A (zh) * 2018-07-10 2018-12-18 成都先进金属材料产业技术研究院有限公司 基于图像识别深度学习技术的低倍组织智能评级方法
CN109034217A (zh) * 2018-07-10 2018-12-18 成都先进金属材料产业技术研究院有限公司 基于图像识别深度学习技术的晶粒度智能评级方法
CN109359551A (zh) * 2018-09-21 2019-02-19 深圳市璇玑实验室有限公司 一种基于机器学习的敏感图像识别方法与系统
CN109360196A (zh) * 2018-09-30 2019-02-19 北京羽医甘蓝信息技术有限公司 基于深度学习处理口腔放射图像的方法及装置
CN109447140A (zh) * 2018-10-19 2019-03-08 广州四十五度科技有限公司 一种基于神经网络深度学习的图像识别并推荐认知的方法
CN109583344A (zh) * 2018-11-21 2019-04-05 红相股份有限公司 一种基于深度学习的电力设备红外图像处理方法
CN109635945A (zh) * 2018-11-21 2019-04-16 华中科技大学 一种用于图像分类的深度神经网络的训练方法
CN109657596A (zh) * 2018-12-12 2019-04-19 天津卡达克数据有限公司 一种基于深度学习的车辆外观部件识别方法
CN109711377A (zh) * 2018-12-30 2019-05-03 陕西师范大学 标准化考场监控的单帧图像中考生定位和计数方法
CN110070119A (zh) * 2019-04-11 2019-07-30 北京工业大学 一种基于二值化深度神经网络的手写数字图像识别分类方法
CN110110780A (zh) * 2019-04-30 2019-08-09 南开大学 一种基于对抗神经网络和海量噪声数据的图片分类方法
WO2020006898A1 (zh) * 2018-07-05 2020-01-09 平安科技（深圳）有限公司 音频数据的乐器识别方法及装置、电子设备、存储介质
CN110674678A (zh) * 2019-08-07 2020-01-10 国家计算机网络与信息安全管理中心 视频中敏感标志的识别方法及装置
CN110892417A (zh) * 2017-06-05 2020-03-17 D5Ai有限责任公司 具有学习教练的异步代理以及在不降低性能的情况下在结构上修改深度神经网络
CN111639359A (zh) * 2020-04-22 2020-09-08 中国科学院计算技术研究所 一种用于社交网络图片隐私风险检测与预警的方法及系统
CN113033796A (zh) * 2020-12-11 2021-06-25 北京信息科技大学 一种全光非线性衍射神经网络的图像识别方法
CN114998659A (zh) * 2022-06-17 2022-09-02 北京大学 随时间在线训练脉冲神经网络模型的图像数据分类方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101055621A (zh) * 2006-04-10 2007-10-17 中国科学院自动化研究所 基于内容的敏感网页识别方法
CN101281521A (zh) * 2007-04-05 2008-10-08 中国科学院自动化研究所 一种基于多分类器融合的敏感网页过滤方法及系统
CN101661559A (zh) * 2009-09-16 2010-03-03 中国科学院计算技术研究所 一种数字图像训练和检测方法
CN101853377A (zh) * 2010-05-13 2010-10-06 复旦大学 一种对数字视频进行内容识别的方法
CN101877064A (zh) * 2009-04-30 2010-11-03 索尼株式会社 图像分类方法及图像分类装置
CN102201064A (zh) * 2010-03-25 2011-09-28 北京中星微电子有限公司 一种敏感视频过滤方法及装置
CN102306287A (zh) * 2011-08-24 2012-01-04 百度在线网络技术（北京）有限公司 一种用于识别敏感图像的方法与设备
CN102938054A (zh) * 2012-09-06 2013-02-20 北京工业大学 基于视觉注意模型的压缩域敏感图像识别方法
CN103093236A (zh) * 2013-01-15 2013-05-08 北京工业大学 一种基于图像语义分析的移动终端色情过滤方法
CN103294813A (zh) * 2013-06-07 2013-09-11 北京捷成世纪科技股份有限公司 一种敏感图片搜索方法和装置
CN103605992A (zh) * 2013-11-28 2014-02-26 国家电网公司 一种电力内外网交互中的敏感图像识别方法
CN103793718A (zh) * 2013-12-11 2014-05-14 台州学院 一种基于深度学习的人脸表情识别方法
CN104850845A (zh) * 2015-05-30 2015-08-19 大连理工大学 一种基于非对称卷积神经网络的交通标志识别方法
CN105787510A (zh) * 2016-02-26 2016-07-20 华东理工大学 基于深度学习实现地铁场景分类的系统及方法
CN106096616A (zh) * 2016-06-08 2016-11-09 四川大学华西医院 一种基于深度学习的磁共振影像特征提取及分类方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101055621A (zh) * 2006-04-10 2007-10-17 中国科学院自动化研究所 基于内容的敏感网页识别方法
CN101281521A (zh) * 2007-04-05 2008-10-08 中国科学院自动化研究所 一种基于多分类器融合的敏感网页过滤方法及系统
CN101877064A (zh) * 2009-04-30 2010-11-03 索尼株式会社 图像分类方法及图像分类装置
CN101661559A (zh) * 2009-09-16 2010-03-03 中国科学院计算技术研究所 一种数字图像训练和检测方法
CN102201064A (zh) * 2010-03-25 2011-09-28 北京中星微电子有限公司 一种敏感视频过滤方法及装置
CN101853377A (zh) * 2010-05-13 2010-10-06 复旦大学 一种对数字视频进行内容识别的方法
CN102306287A (zh) * 2011-08-24 2012-01-04 百度在线网络技术（北京）有限公司 一种用于识别敏感图像的方法与设备
CN102938054A (zh) * 2012-09-06 2013-02-20 北京工业大学 基于视觉注意模型的压缩域敏感图像识别方法
CN103093236A (zh) * 2013-01-15 2013-05-08 北京工业大学 一种基于图像语义分析的移动终端色情过滤方法
CN103294813A (zh) * 2013-06-07 2013-09-11 北京捷成世纪科技股份有限公司 一种敏感图片搜索方法和装置
CN103605992A (zh) * 2013-11-28 2014-02-26 国家电网公司 一种电力内外网交互中的敏感图像识别方法
CN103793718A (zh) * 2013-12-11 2014-05-14 台州学院 一种基于深度学习的人脸表情识别方法
CN104850845A (zh) * 2015-05-30 2015-08-19 大连理工大学 一种基于非对称卷积神经网络的交通标志识别方法
CN105787510A (zh) * 2016-02-26 2016-07-20 华东理工大学 基于深度学习实现地铁场景分类的系统及方法
CN106096616A (zh) * 2016-06-08 2016-11-09 四川大学华西医院 一种基于深度学习的磁共振影像特征提取及分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴正文: "《卷积神经网络在图像分类中的应用研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110892417A (zh) * 2017-06-05 2020-03-17 D5Ai有限责任公司 具有学习教练的异步代理以及在不降低性能的情况下在结构上修改深度神经网络
CN110892417B (zh) * 2017-06-05 2024-02-20 D5Ai有限责任公司 具有学习教练的异步代理以及在不降低性能的情况下在结构上修改深度神经网络
CN107330519A (zh) * 2017-06-26 2017-11-07 西北工业大学 基于深度神经网络的故障定位方法
CN107369086A (zh) * 2017-07-06 2017-11-21 上海你我贷互联网金融信息服务有限公司 一种身份证打码系统及方法
CN107437096A (zh) * 2017-07-28 2017-12-05 北京大学 基于参数高效的深度残差网络模型的图像分类方法
CN107437096B (zh) * 2017-07-28 2020-06-26 北京大学 基于参数高效的深度残差网络模型的图像分类方法
CN107547555A (zh) * 2017-09-11 2018-01-05 北京匠数科技有限公司 一种网站安全监测方法及装置
CN107704877A (zh) * 2017-10-09 2018-02-16 哈尔滨工业大学深圳研究生院 一种基于深度学习的图像隐私感知方法
WO2019071754A1 (zh) * 2017-10-09 2019-04-18 哈尔滨工业大学深圳研究生院 一种基于深度学习的图像隐私感知方法
CN108038543B (zh) * 2017-10-24 2021-01-22 华南师范大学 期望与反期望深度学习方法和神经网络系统
CN108038543A (zh) * 2017-10-24 2018-05-15 华南师范大学 期望与反期望深度学习方法和神经网络系统
CN108154442A (zh) * 2017-12-25 2018-06-12 杭州七炅信息科技有限公司 财产保险反欺诈检测算法
CN108334902A (zh) * 2018-02-02 2018-07-27 北京华纵科技有限公司 一种基于深度学习的轨道列车设备间烟雾防火监测方法
CN108415807A (zh) * 2018-02-12 2018-08-17 成都睿码科技有限责任公司 一种爬取监控电子设备是否浏览不良信息的方法
CN108427972A (zh) * 2018-04-24 2018-08-21 云南佳叶现代农业发展有限公司 基于在线学习的烟叶分类方法及其系统
CN108427972B (zh) * 2018-04-24 2024-06-07 云南佳叶现代农业发展有限公司 基于在线学习的烟叶分类方法及其系统
CN108764293A (zh) * 2018-04-28 2018-11-06 重庆交通大学 一种基于图像的车辆检测方法及系统
CN108648188A (zh) * 2018-05-15 2018-10-12 南京邮电大学 一种基于生成对抗网络的无参考图像质量评价方法
CN108648188B (zh) * 2018-05-15 2022-02-11 南京邮电大学 一种基于生成对抗网络的无参考图像质量评价方法
CN108847223B (zh) * 2018-06-20 2020-09-29 陕西科技大学 一种基于深度残差神经网络的语音识别方法
CN108847223A (zh) * 2018-06-20 2018-11-20 陕西科技大学 一种基于深度残差神经网络的语音识别方法
WO2020006898A1 (zh) * 2018-07-05 2020-01-09 平安科技（深圳）有限公司 音频数据的乐器识别方法及装置、电子设备、存储介质
CN109035221A (zh) * 2018-07-10 2018-12-18 成都先进金属材料产业技术研究院有限公司 基于图像识别深度学习技术的低倍组织智能评级方法
CN109034217A (zh) * 2018-07-10 2018-12-18 成都先进金属材料产业技术研究院有限公司 基于图像识别深度学习技术的晶粒度智能评级方法
CN108959794B (zh) * 2018-07-13 2023-04-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN108959794A (zh) * 2018-07-13 2018-12-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN109359551A (zh) * 2018-09-21 2019-02-19 深圳市璇玑实验室有限公司 一种基于机器学习的敏感图像识别方法与系统
CN109360196A (zh) * 2018-09-30 2019-02-19 北京羽医甘蓝信息技术有限公司 基于深度学习处理口腔放射图像的方法及装置
CN109447140A (zh) * 2018-10-19 2019-03-08 广州四十五度科技有限公司 一种基于神经网络深度学习的图像识别并推荐认知的方法
CN109447140B (zh) * 2018-10-19 2021-10-12 广州四十五度科技有限公司 一种基于神经网络深度学习的图像识别并推荐认知的方法
CN109635945A (zh) * 2018-11-21 2019-04-16 华中科技大学 一种用于图像分类的深度神经网络的训练方法
CN109583344A (zh) * 2018-11-21 2019-04-05 红相股份有限公司 一种基于深度学习的电力设备红外图像处理方法
CN109635945B (zh) * 2018-11-21 2022-12-02 华中科技大学 一种用于图像分类的深度神经网络的训练方法
CN109583344B (zh) * 2018-11-21 2019-11-19 红相股份有限公司 一种基于深度学习的电力设备红外图像处理方法
CN109657596A (zh) * 2018-12-12 2019-04-19 天津卡达克数据有限公司 一种基于深度学习的车辆外观部件识别方法
CN109711377B (zh) * 2018-12-30 2023-04-18 陕西师范大学 标准化考场监控的单帧图像中考生定位和计数方法
CN109711377A (zh) * 2018-12-30 2019-05-03 陕西师范大学 标准化考场监控的单帧图像中考生定位和计数方法
CN110070119A (zh) * 2019-04-11 2019-07-30 北京工业大学 一种基于二值化深度神经网络的手写数字图像识别分类方法
CN110110780B (zh) * 2019-04-30 2023-04-07 南开大学 一种基于对抗神经网络和海量噪声数据的图片分类方法
CN110110780A (zh) * 2019-04-30 2019-08-09 南开大学 一种基于对抗神经网络和海量噪声数据的图片分类方法
CN110674678A (zh) * 2019-08-07 2020-01-10 国家计算机网络与信息安全管理中心 视频中敏感标志的识别方法及装置
CN111639359A (zh) * 2020-04-22 2020-09-08 中国科学院计算技术研究所 一种用于社交网络图片隐私风险检测与预警的方法及系统
CN111639359B (zh) * 2020-04-22 2023-09-12 中国科学院计算技术研究所 一种用于社交网络图片隐私风险检测与预警的方法及系统
CN113033796A (zh) * 2020-12-11 2021-06-25 北京信息科技大学 一种全光非线性衍射神经网络的图像识别方法
CN114998659A (zh) * 2022-06-17 2022-09-02 北京大学 随时间在线训练脉冲神经网络模型的图像数据分类方法
CN114998659B (zh) * 2022-06-17 2024-05-24 北京大学 随时间在线训练脉冲神经网络模型的图像数据分类方法

Similar Documents

Publication Publication Date Title
CN106682694A (zh) 一种基于深度学习的敏感图像识别方法
CN109271522B (zh) 基于深度混合模型迁移学习的评论情感分类方法及系统
CN107480261B (zh) 一种基于深度学习细粒度人脸图像快速检索方法
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN109886141B (zh) 一种基于不确定性优化的行人再辨识方法
CN105138973B (zh) 人脸认证的方法和装置
Dong et al. Research and discussion on image recognition and classification algorithm based on deep learning
CN109508655A (zh) 基于孪生网络的不完备训练集的sar目标识别方法
CN112883738A (zh) 基于神经网络和自注意力机制的医学实体关系抽取方法
CN113033309B (zh) 一种基于信号下采样及一维卷积神经网络的故障诊断方法
CN107886123B (zh) 一种基于辅助判决更新学习的合成孔径雷达目标识别方法
CN107330355B (zh) 一种基于正样本平衡约束的深度行人再标识方法
CN108846413B (zh) 一种基于全局语义一致网络的零样本学习方法
CN113128620B (zh) 一种基于层次关系的半监督领域自适应图片分类方法
CN110222634A (zh) 一种基于卷积神经网络的人体姿态识别方法
CN111400494B (zh) 一种基于GCN-Attention的情感分析方法
CN112200262B (zh) 支持多任务和跨任务的小样本分类训练方法及装置
CN110929848A (zh) 基于多挑战感知学习模型的训练、跟踪方法
CN111859936B (zh) 一种基于深度混合网络的面向跨域立案的法律文书专业管辖权识别方法
CN113901448B (zh) 基于卷积神经网络和轻量级梯度提升机的入侵检测方法
CN109190521A (zh) 一种基于知识提纯的人脸识别模型的构建方法及应用
CN116152554A (zh) 基于知识引导的小样本图像识别系统
CN116805051A (zh) 基于注意力机制的双卷积动态域适应设备故障诊断方法
Dongmei et al. Classification and identification of citrus pests based on InceptionV3 convolutional neural network and migration learning
CN107528824A (zh) 一种基于二维度稀疏化的深度信念网络入侵检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170517