[发明专利]暴恐内容识别模型的训练方法、训练装置及可读存储介质

权利要求书

1.一种暴恐内容识别模型的训练方法，其特征在于，所述训练方法包括：

确定在获取到的多张样本暴恐图像中每种暴恐类别的出现次数，以及所述多张样本暴恐图像中全部暴恐类别的总出现次数；

针对于每种暴恐类别，基于该暴恐类别的出现次数以及所述总出现次数，确定该暴恐类别的初始频率权重；

从所述多张样本暴恐图像中确定出用于训练该暴恐类别对应的类别识别网络的训练暴恐图像，确定每张训练暴恐图像的类别标签；

基于确定出的多张训练暴恐图像、该暴恐类别的初始频率权重以及每张训练暴恐图像的类别标签，训练该暴恐类别对应的类别识别网络，得到训练好的暴恐识别子模型，以及所述暴恐识别子模型的目标频率权重；

基于每种暴恐类别对应的暴恐识别子模型以及每种暴恐识别子模型对应的目标频率权重，构建得到暴恐识别模型；

其中，所述针对于每种暴恐类别，基于该暴恐类别的出现次数以及所述总出现次数，确定该暴恐类别的初始频率权重，包括：

针对于每种暴恐类别，将所述多张样本暴恐图像中该暴恐类别的出现次数与所述总出现次数之间的商，确定为该暴恐类别的初始频率权重；

通过以下公式构建暴恐识别模型：

；

其中，y为待识别图像为暴恐图像的概率，L_i为第i个暴恐类别的目标频率权重，M_i为第i个暴恐识别子模型的识别结果，n为构建暴恐识别模型时所使用到的暴恐识别子模型的数量；针对于每个暴恐识别子模型，若待识别图像中存在该暴恐识别子模型对应的暴恐类别的暴恐内容，则该暴恐识别子模型的输出值为“1”，反之，则为“0”。

2.根据权利要求1所述的训练方法，其特征在于，所述确定在获取到的多张样本暴恐图像中每种暴恐类别的出现次数，以及所述多张样本暴恐图像中全部暴恐类别的总出现次数，包括：

获取多张样本暴恐图像；

确定每张样本暴恐图像中出现的每个暴恐内容所属的暴恐类别；

统计所述多张样本暴恐图像中每种暴恐类别的出现次数以及所述多张样本暴恐图像中全部暴恐类别的总出现次数。

3.根据权利要求1所述的训练方法，其特征在于，所述从所述多张样本暴恐图像中确定出用于训练该暴恐类别对应的类别识别网络的训练暴恐图像，包括：

将所述多张样本暴恐图像中出现了属于该暴恐类别的暴恐内容的样本暴恐图像以及未出现任何暴恐内容的样本暴恐图像，确定为用于训练该暴恐类别对应的类别识别网络的训练暴恐图像。

4.根据权利要求1所述的训练方法，其特征在于，所述基于确定出的多张训练暴恐图像、该暴恐类别的初始频率权重以及每张训练暴恐图像的类别标签，训练该暴恐类别对应的类别识别网络，得到训练好的暴恐识别子模型，以及所述暴恐识别子模型的目标频率权重，包括：

将确定出的多张训练暴恐图像以及该暴恐类别的初始频率权重作为输入特征，将每张训练暴恐图像的类别标签作为输出特征，训练该暴恐类别对应的类别识别网络；

在训练该暴恐类别对应的类别识别网络的过程中，调节该暴恐类别的初始频率权重，得到训练好的暴恐识别子模型以及所述暴恐识别子模型的目标频率权重。

5.根据权利要求1所述的训练方法，其特征在于，所述暴恐类别包括：暴恐旗帜、暴恐标识、暴恐现象、治安人员、聚集方式、暴恐武器以及暴恐文字中的一种或多种。

6.根据权利要求1所述的训练方法，其特征在于，在所述基于每种暴恐类别对应的暴恐识别子模型以及每种暴恐识别子模型对应的目标频率权重，构建得到暴恐识别模型之后，所述训练方法还包括：

获取待识别图像；

将所述待识别图像输入至所述暴恐识别模型中，通过所述暴恐识别模型中的各个暴恐识别子模型，确定所述待识别图像为暴恐图像的概率。