图片检测方法和装置、存储介质及电子装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110414581A(43)申请公布日2019.11.05(21)申请号201910656512.6(22)申请日2019.07.19(71)申请人腾讯科技（深圳）有限公司地址518000广东省深圳市南山区高新区科技中一路腾讯大厦35层(72)发明人陈志博石楷弘(74)专利代理机构北京康信知识产权代理有限责任公司11240代理人周婷婷(51)Int.Cl.G06K9/62(2006.01)G06N20/00(2019.01)权利要求书3页说明书13页附图5页(54)发明名称图片检测方法和装置、存储介质及电子装置(57)摘要本发明公开了一种图片检测方法和装置、存储介质及电子装置。其中，该方法包括：获取待检测的目标图片；将目标图片输入至图片识别模型中，获得图片识别模型输出的目标图片的类别，其中，图片识别模型为使用多个第一样本图片集合中的样本图片对初始图片识别模型进行多轮训练获得的模型；根据目标图片的类别对目标图片进行检测，得到检测结果，其中，检测结果用于指示目标图片是否为异常图片。本发明解决了通过图片识别模型进行检测的准确度不高的技术问题。本发明实施例的图片检测方法中，通过机器学习的方法训练获得图片识别模型，从而对图片类别进行识别。CN110414581ACN110414581A权利要求书1/3页1.一种图片检测方法，其特征在于，包括：获取待检测的目标图片；将所述目标图片输入至图片识别模型中，获得所述图片识别模型输出的所述目标图片的类别，其中，所述图片识别模型为使用多个第一样本图片集合中的样本图片对初始图片识别模型进行多轮训练获得的模型，在所述多轮训练中的当前轮中使用所述多个第一样本图片集合中与所述当前轮对应的第一样本图片集合对所述初始图片识别模型进行训练所消耗的运算资源大于在所述多轮训练中所述当前轮的上一轮中使用所述多个第一样本图片集合中与所述上一轮对应的第一样本图片集合对所述初始图片识别模型进行训练所消耗的运算资源；根据所述目标图片的类别对所述目标图片进行检测，得到检测结果，其中，所述检测结果用于指示所述目标图片是否为异常图片。2.根据权利要求1所述的方法，其特征在于，在获取待检测的目标图片之前，所述方法还包括：获取第二样本图片集合，其中，所述第二样本图片集合中的每个样本图片的类别已被确定；使用所述第二样本图片集合中的样本图片对原始图片识别模型进行训练，获得训练后的所述初始图片识别模型；获取所述多个第一样本图片集合，其中，所述多个第一样本图片集合中的每个样本图片的类别未被确定；使用所述多个第一样本图片集合对所述初始图片识别模型进行训练，获得训练后的所述图片识别模型。3.根据权利要求2所述的方法，其特征在于，所述获取所述多个第一样本图片集合，包括：获取多个第三样本图片集合，其中，所述第三样本图片集合与所述图片识别模型所识别的图片类别一一对应，每一个所述第三样本图片集合中的样本图片根据与所述第三样本图片集合相对应的目标关键词搜索获得，每个所述第三样本图片集合相对应的所述目标关键词与所述第三样本图片集合所对应的图片类别相匹配，每个所述第三样本图片集合中的样本图片的类别均未被确定；重复执行以下操作，直至确定出每个所述第三样本图片集合所对应的多个类型的子集合，其中，在执行一次以下操作的过程中将执行以下操作的所述第三样本图片集合确定为目标样本图片集合：确定出所述目标样本图片集合中的每个样本图片的样本密度，其中所述目标样本图片集合中的两个样本图片所对应的样本密度用于指示所述两个样本图片之间的相似度；根据目标密度聚类算法和所述目标样本图片集合中的每个样本图片的所述样本密度，对所述目标样本图片集合中的样本图片进行聚类，获得所述多个类型的子集合，其中，对不同类型的所述子集合中的样本图片分别进行图片类别的识别所消耗的运算资源的差值大于阈值；将每个所述第三样本图片集合所对应的所述多个类型的子集合中相同类型的子集合聚合，获得所述多个第一样本图片集合。2CN110414581A权利要求书2/3页4.根据权利要求3所述的方法，其特征在于，所述确定出所述目标样本图片集合中的每个样本图片的样本密度，包括：重复执行以下操作，直至确定出所述目标样本图片集合中的每个样本图片的样本密度，其中，在执行一次以下操作的过程中将执行操作的样本图片确定为目标样本图片：确定所述目标样本图片与所述目标样本图片集中除所述目标样本图片之外的每个样本图片之间的第一欧式距离；将所获得的与所述目标样本图片集合中的样本图片的数量相同数量的所述第一欧式距离中小于或等于目标欧式距离的第一欧式距离的数量，确定为所述目标样本图片的所述样本密度。5.根据权利要求4所述的方法，其特征在于，将所获得的与所述目标样本图片集合中的样本