[发明专利]图像处理方法、模型训练方法、装置、设备及可读介质

说明书

本公开实施例提供了一种图像处理方法、模型训练方法、装置、电子设备及计算机可读介质，该方法包括：获取待识别的第一图像；将第一图像输入第一模型，获得第一模型输出的第一分类概率；其中，第一模型是以图像作为输入，以图像属于不良图像类型的分类概率作为输出的神经网络模型；第一模型是基于具有多层级分类标签的样本数据，通过包含多层级分类的交叉熵损失和度量学习损失的损失函数训练生成；当第一分类概率大于第一预设阈值时，确定第一图像为不良图像。该方法通过预训练的第一模型进行识别，该第一模型基于多层级分类和度量学习的方式进行图像识别，尤其对于类别内部分布差异较大的图像，能够提高识别精度。

技术领域

本公开涉及计算机技术领域，具体而言，本公开涉及一种图像处理方法、模型训练方法、装置、电子设备及计算机可读介质。

背景技术

随着互联网的普及，信息的传递越来越便捷，但是互联网上存在不良图像例如色情图片，为了清理网络信息，需要智能识别网络上的不良图像；传统方案基于交叉熵的图片识别算法进行识别，该方法在类别内部分布差异过大的时候，存在识别精度低的问题。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

仅描述独权方案即可，不用描述从权方案。

本公开针对现有的方式的缺点，提出一种图像处理方法、模型训练方法、装置、电子设备及计算机可读介质，用以解决如何提升识别不良图像的识别精度的问题。

第一方面，本公开提供了一种图像处理方法，包括：

获取待识别的第一图像；

将第一图像输入第一模型，获得第一模型输出的第一分类概率；其中，第一模型是以图像作为输入，以图像属于不良图像类型的分类概率作为输出的神经网络模型；第一模型是基于具有多层级分类标签的样本数据，通过包含多层级分类的交叉熵损失和度量学习损失的损失函数训练生成；

当第一分类概率大于第一预设阈值时，确定第一图像为不良图像。

第二方面，本公开提供了一种模型训练方法，包括：

获取样本数据集，样本数据集中每个样本数据包括具有多个层级的分类标签的图像；多个层级的分类标签用于表征图像是否为不良图像；

基于样本数据集，通过包含多层级分类的交叉熵损失和度量学习损失的损失函数对预设的模型进行训练，获得满足训练结束条件的模型。

第三方面，本公开提供了一种图像处理装置，包括：

第一处理模块，用于获取待识别的第一图像；

第二处理模块，用于将第一图像输入第一模型，获得第一模型输出的第一分类概率；其中，第一模型是以图像作为输入，以图像属于不良图像类型的分类概率作为输出的神经网络模型；第一模型是基于具有多层级分类标签的样本数据，通过包含多层级分类的交叉熵损失和度量学习损失的损失函数训练生成；

第三处理模块，用于当第一分类概率大于第一预设阈值时，确定第一图像为不良图像。

第四方面，本公开提供了一种模型训练装置，包括：

第四处理模块，用于获取样本数据集，样本数据集中每个样本数据包括具有多个层级的分类标签的图像；多个层级的分类标签用于表征图像是否为不良图像；

第五处理模块，用于基于样本数据集，通过包含多层级分类的交叉熵损失和度量学习损失的损失函数对预设的模型进行训练，获得满足训练结束条件的模型。

第五方面，本公开提供了一种电子设备，包括：处理器、存储器和总线；