[发明专利]垃圾图片的识别方法、装置及设备

权利要求书

1.一种垃圾图片的识别方法，其特征在于，包括：

基于确定的深度学习模型，选取前预设数量层参数作为基础网络，并在所述基础网络之后构建浅层分类网络，不同的垃圾图片类型各自对应一个独立参数的浅层分类网络；

冻结所述基础网络的参数，并利用垃圾图片训练集，训练所述浅层分类网络，以更新所述浅层分类网络对应的参数，其中每个浅层分类网络都由各自对应垃圾图片类型的训练集进行训练；

若根据所述浅层分类网络训练更新后的参数判定网络收敛，则解冻所述基础网络的参数，并利用小于预设阈值的学习率，对所述基础网络和所述浅层分类网络的所有参数进行预设个数的全量数据的训练，以调整所述基础网络之前冻结的参数，得到目标深度学习模型；

根据待识别图片的图片特征，利用所述目标深度学习模型进行图片分类，以确定所述待识别图片是否为垃圾图片。

2.根据权利要求1所述的方法，其特征在于，所述解冻所述基础网络的参数，并利用小于预设阈值的学习率，对所述基础网络和所述浅层分类网络的所有参数进行预设个数的全量数据的训练，具体包括：

每次随机选取各个垃圾图片类型的训练集中的预置数量样本图片，通过各自对应的浅层分类网络进行计算；

将计算得到的损失函数误差反馈给所述基础网络进行修正参数，使得各个垃圾图片类型的训练集对所述基础网络的影响是相同的。

3.根据权利要求2所述的方法，其特征在于，所述将计算得到的损失函数误差反馈给所述基础网络进行修正参数，使得各个垃圾图片类型的训练集对所述基础网络的影响是相同的，具体包括：

对各个垃圾图片类型的训练集中目标样本图片被选取的概率乘以修正系数，所述修正系数与所述目标样本图片所在训练集所对应的图片数量的倒数成正比。

4.根据权利要求1所述的方法，其特征在于，所述利用垃圾图片训练集，训练所述浅层分类网络，以更新所述浅层分类网络对应的参数，具体还包括：

将所述垃圾图片训练集中垃圾图片样本特征在所述基础网络中对应的计算结果提前计算并存储；

在训练所述浅层分类网络时，读取存储的对应计算结果，作为各个浅层分类网络共用的所述基础网络的输出结果。

5.根据权利要求1所述的方法，其特征在于，所述根据待识别图片的图片特征，利用所述目标深度学习模型进行图片分类，具体包括：

将所述图片特征输入到所述目标深度学习模型中，获取所述图片特征对应的基础网络计算结果；

将所述基础网络计算结果分发到各个浅层分类网络中分别进行图片分类；

通过融合各个浅层分类网络得到的图片分类结果，得到所述待识别图片的图片分类结果。

6.根据权利要求1所述的方法，其特征在于，在所述冻结所述基础网络的参数，并利用垃圾图片训练集，训练所述浅层分类网络之前，所述方法还包括：

获取垃圾图片的基础数据集；

利用图片增强算法，对所述基础数据集中的至少一张图片进行变换，其中所述图片增强算法至少包括缩放，剪切，旋转，遮挡，斜切，仿射变换，扭曲变换，通道互换，黑白化中的一个或多个的组合；

利用变换后得到的图片扩充所述基础数据集，得到所述垃圾图片训练集。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

更新所述垃圾图片训练集，其中新出现的样本数据在加入训练集时，加入对应的负样本数据。

8.根据权利要求1所述的方法，其特征在于，所述根据待识别图片的图片特征，利用所述目标深度学习模型进行图片分类，具体包括：

将所述图片特征输入到所述目标深度学习模型中进行图片分类，得到第一分类结果；

若所述待识别图片中存在人脸特征，则获取所述待识别图片对应的人脸特征并利用分类器进行图片分类，得到第二分类结果；

若所述待识别图片中存在文字特征，则获取所述待识别图片对应的文字特征并利用分类模型进行图片分类，得到第三分类结果；

通过融合所述第一分类结果、和/或所述第二分类结果、和/或所述第三分类结果，确定所述待识别图片的图片分类结果。