[发明专利]图像分类和模型训练方法、装置、电子设备及存储介质

说明书

本申请公开了图像分类和模型训练方法、装置、电子设备及存储介质，涉及图像识别技术领域。其中，图像分类方法的具体实现方案为：将待分类图像的初级特征分别输入到图像分类模型的第一分支网络和第二分支网络，并利用第一分支网络识别待分类图像的细节特征，利用第二分支网络识别待分类图像的整体特征；根据细节特征与整体特征得到综合特征；根据综合特征对待分类图像进行分类。本申请实施例通过网络分支优化了图像分类模型的网络结构，将图像细节特征和图像整体特征相结合，提升了对复杂图像的识别准确率。

技术领域

本申请涉及一种信息技术领域，尤其涉及一种图像识别技术领域。

背景技术

图像识别技术是通过计算机对图像中的信息进行处理、分析和理解的技术。网络黑产指以网络作为媒介通过网络技术进行危害计算机信息系统安全和网络空间管理秩序，并以此谋求不当利益的非法行为。图像作为信息载体，是黑产作弊实施非法行为的重要形式。对作弊图像进行识别打击，可以提升用户体验，避免运营风险。识别网络黑产作弊图像目前普遍采用如下三种方案：(1)黑图库检索。(2)图像分类技术。(3)图像检测技术，例如利用OCR(Optical Character Recognition，光学字符识别)技术或目标检测技术识别图像中的关键元素。

以上三种方案在实现作弊图像分类方面存在着如下缺陷：对于方案(1)，可通过随机背景、随机滤镜变换等手段绕过该方案，造成遗漏。对于方案(2)，可以通过不断添加图像中元素的手段绕过该方案。对于方案(3)，仅识别细节元素容易误伤非作弊用户所发图像，并且训练数据标注成本较高，对于线上遗漏较难实现快速更新响应。

发明内容

本申请实施例提出一种图像分类和图像分类模型训练方法、装置、电子设备及存储介质，以至少解决现有技术中的以上技术问题。

第一方面，本申请实施例提供了一种图像分类方法，包括：

将待分类图像的初级特征分别输入到图像分类模型的第一分支网络和第二分支网络，并利用第一分支网络识别待分类图像的细节特征，利用第二分支网络识别待分类图像的整体特征；

根据细节特征与整体特征得到综合特征；

根据综合特征对待分类图像进行分类。

本申请实施例中，通过网络分支优化了图像分类模型的网络结构，将图像细节特征和图像整体特征相结合，提升了对复杂图像的识别准确率。

在一种实施方式中，细节特征包括从待分类图像的局部范围内提取的局部元素的语义特征。

本申请实施例中，对待分类图像的细节特征的识别，可有效避免发生黑产通过不断添加图像中的局部元素而绕过检测的情况。

在一种实施方式中，整体特征包括利用待分类图像整体提取的语义特征。

本申请实施例中，对待分类图像的整体特征的识别，可有效避免仅识别局部元素容易误伤非作弊用户所发图像的情况。

在一种实施方式中，利用第一分支网络识别待分类图像的细节特征，包括：

通过第一分支网络中的第二卷积层提取待分类图像的语义信息和位置信息；

利用第一分支网络中的双线性层根据语义信息和位置信息，得到待分类图像的细节特征。

本申请实施例中，可将语义信息和位置信息的对应元素相乘，相乘后得到的细节特征体现了语义和位置的对应关系，利用丰富的细节特征增强了对复杂图像的识别能力。

在一种实施方式中，根据所述细节特征与所述整体特征得到综合特征，包括：

将所述细节特征与所述整体特征进行拼接，得到拼接后的综合特征。

本申请实施例中，拼接后的综合特征能够更加准确地反映待分类图像的语义内容，使图像识别得更加准确。