[发明专利]互联网暴恐视频识别模型的优化方法及装置

说明书

本发明公开了一种互联网暴恐视频识别模型的优化方法及装置，所述方法包括：获取互联网暴恐视频识别模型的卷积神经网络中各个层的卷积核的各个通道的参数；根据所述各个通道的参数判断是否丢弃对应的通道，如果判断为是，执行通道丢弃操作。本发明使得每天使用暴恐模型审核的数据量大大提升。填补了海量互联网视频暴恐视频审核技术和产品空白，可以极大程度提升了暴恐图像审核的产品竞争力。

技术领域

本发明涉及计算机技术领域，尤其涉及一种互联网暴恐视频识别模型的优化方法及装置。

背景技术

如今互联网极大的方便了人们的生活，但是同时很多不法分子利用互联网发布一些宣扬极端主义、恐怖主义或者有暴恐画面的视频，这对普通的老百姓的上网体验造成了极大的伤害，同时此类视频容易煽动个别人的不良情绪从而引起恐怖主义活动，再者对国家的和平稳定、治安形成了极大的挑战。因此，从网民上传到互联网上的大量视频中识别出此类暴恐视频，并及时的封杀以及后期备案一些潜在的不法分子有重要的意义，但同时因为每天上传到网络的数据量巨大从而这个工作是很耗费人力物力的，然而目前运用深度学习使得机器自动识别此类暴恐视频极大的缓解了此前人工审核的各种缺点，然而由于每天需要审核的数据量巨大因此做暴恐识别模型加速、压缩有重要意义。

现有的暴恐识别模型是一个图像识别分类器，首先将视频抽帧成图片，然后将图片过暴恐识别模型分为暴恐和正常两个类别。具体来说，该图片分类器是一个深层的卷积神经网络，该模型的输入为一张图片，模型输出暴恐和正常两个类别的得分，取得分高者作为图片的判定类别。但是为了使得模型的识别能力强，该模型相对比较复杂，参数量较多、每次运算速度较慢。

综上所述现有技术的缺点主要是：现有的暴恐识别模型复杂度太高、运算量较大、使得审核全网视频耗费机器资源太多，从而很难真正做到全网视频都过审。因此压缩暴恐识别模型和模型加速且不影响模型识别能力有重大的意义。

发明内容

本发明实施例提供一种互联网暴恐视频识别模型的优化方法及装置，用以解决现有技术中的上述问题。

本发明实施例提供一种互联网暴恐视频识别模型的优化方法，包括：

获取互联网暴恐视频识别模型的卷积神经网络中各个层的卷积核的各个通道的参数；

根据所述各个通道的参数判断是否丢弃对应的通道，如果判断为是，执行通道丢弃操作。

优选地，根据所述各个通道的参数判断是否丢弃对应的通道，如果判断为是，执行通道丢弃操作具体包括：

计算同一个通道的参数的绝对值之和，判断所述绝对值之和是否小于或等于预先设置的参数阈值，如果判断为是，则将相应的通道丢弃。

优选地，所述方法进一步包括：

将互联网暴恐视频识别模型的数据和参数转化为以8-bit整数的形式供计算机处理。

优选地，将互联网暴恐视频识别模型的数据和参数转化为以8-bit整数的形式供计算机处理具体包括：

输入浮点数类型的数据和参数，对所述数据和参数进行初步的int8量化，得到量化数据、数据的最大值和最小值、量化参数、以及参数的最大值和最小值；

对所述量化数据、数据的最大值和最小值、量化参数、以及参数的最大值和最小值进行卷积操作，输出32-bit整数的量化卷积结果、量化结果的最大值和最小值；

对所述32-bit整数的量化卷积结果、量化结果的最大值和最小值进行复量化，得到8-bit整数的量化卷积结果、量化结果的最大值和最小值；

根据所述8-bit整数的量化卷积结果、量化结果的最大值和最小值还原为浮点数类型的数据和参数。

本发明实施例还提供一种互联网暴恐视频识别模型的优化装置，包括：