色情图像识别方法、装置、电子设备及存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种色情图像识别方法、装 置、电子设备及存储介质。


背景技术：

2.人类社会进入信息时代，信息的快速传播改变了人类的工作、学习及 生活方式。信息的形式多元化(文本、图像、语音等)；信息的内容也在多元 化，在促进人类社会进步的同时，存在大量的不良信息对社会造成很恶劣 的影响，例如色情图像和色情视频等信息，是其中传播最为广泛、最难控 制的一种信息。
3.互联网色情正越来越多地影响着人们的正常生活，网络色情泛滥的问 题导致了许多社会问题和道德问题，因此，识别或检测互联网色情内容对 于互联网资源和文化的健康发展具有重要意义。
4.相关技术中，在对图像或者视频审核色情内容时，往往是通过检测图 中是否含有皮肤颜色较大的区域，以及使用肤色区域的几何特性(面积、 在当前图像中的面积占比、外接矩形的高宽比等)来判断当前图像是否为 色情图像，这种方式，仅能对常规的色情图像进行审核，在局部以及整体 上表现出较弱的色情特征向量或者带有正常图像干扰项(例如，正常图像 中局部拼接色情图像)的情况，由于色情内容只占整张图像的一部分，导 致识别效果较差，易发生漏检的情况。


技术实现要素：

5.本发明实施例的目的在于提供一种色情图像识别方法、装置、电子设 备及存储介质，以解决相关技术中，在对图像或者视频审核色情内容时， 仅通过简单的图像特征进行识别，识别效果差的问题。
6.在本发明实施例的第一方面，首先提供了一种色情图像识别方法，所 述方法包括：
7.获取待识别的目标图像；
8.提取所述目标图像中的初始图像特征向量；
9.根据所述初始图像特征向量，提取注意力特征向量，所述注意力特征 向量能够表征所述目标图像中不同通道的色情程度以及所述目标图像中不 同空间区域的色情程度；
10.基于所述注意力特征向量对所述目标图像进行分类，确定所述目标图 像的识别结果。
11.可选的，所述根据所述初始图像特征向量，提取注意力特征向量，包 括：
12.提取所述初始图像特征向量在通道维度上的特征，得到通道特征向量；
13.提取所述通道特征向量在空间维度上的特征，得到所述注意力特征向 量；或，
14.提取所述初始图像特征向量在空间维度上的特征，得到空间特征向量；
15.提取所述空间特征向量在通道维度上的特征，得到所述注意力特征向 量。
16.可选的，所述提取所述初始图像特征向量在通道维度上的特征，得到 通道特征向量，包括：
17.分别确定所述初始图像特征向量在空间维度上的第一最大值和第一平 均值；
18.将所述第一最大值和所述第一平均值进行融合，得到第一中间向量；
19.利用预设的第一目标函数对所述第一中间向量进行处理，得到通道权 重系数；
20.将所述通道权重系数与所述初始图像特征向量进行加权求和，得到所 述通道特征向量。
21.可选的，所述分别确定所述初始图像特征向量在空间维度上的第一最 大值和第一平均值，包括：
22.对所述初始图像特征向量在空间维度上进行全局最大池化操作，得到 所述第一最大值；
23.对所述初始图像特征向量在空间维度上进行全局平均池化操作，得到 所述第一平均值。
24.可选的，所述提取所述通道特征向量在空间维度上的特征，得到所述 注意力特征向量，包括：
25.分别确定所述通道特征向量在通道维度上的第二最大值和第二平均 值；
26.将所述第二最大值和所述第二平均值进行融合，得到第二中间向量；
27.利用预设的第二目标函数对所述第二中间向量进行处理，得到空间权 重系数；
28.将所述空间权重系数与所述通道特征向量进行加权求和，得到所述注 意力特征向量。
29.可选的，基于所述注意力特征向量对所述目标图像进行分类，确定所 述目标图像的识别结果，包括：
30.将所述注意力特征向量输入预先训练的分类模型中；
31.根据所述预先训练的分类模型确定所述目标图像所属的主分类结果， 以及所述主分类结果中的从分类结果，将所述主分类结果和所述从分类结 果作为所述识别结果，其中，所述主分类结果是基于softmax损失函数优化 所述分类模型后得到的，所述从分类结果是基于中心损失函数优化所述分 类模型后得到的。
32.可选的，所述提取所述目标图像中的初始图像特征向量，包括：
33.基于残差网络，提取所述目标图像中的深层通道特征向量和浅层通道 特征向量；
34.将所述深层通道特征向量和所述浅层通道特征向量进行特征融合，得 到所述初始图像特征向量。
35.可选的，所述获取待识别的目标图像，包括：
36.获取原始图像；
37.对所述原始图像进行数据增广，得到增广图像；
38.对所述增广图像进行图像缩放，得到所述目标图像。
39.可选的，所述对所述原始图像进行数据增广，包括：
40.对所述原始图像进行图像翻转、图像裁剪、高斯模糊和仿射变换中的 至少一项操作。
41.在本发明实施例的第二方面，还提供了一种色情图像识别装置，包括：
42.获取模块，用于获取待识别的目标图像；
43.第一提取模块，用于提取所述目标图像中的初始图像特征向量；
44.第二提取模块，用于根据所述初始图像特征向量，提取注意力特征向 量，所述注意力特征向量能够表征所述目标图像中不同通道的色情程度以 及所述目标图像中不同空间区域的色情程度；
45.分类模块，用于基于所述注意力特征向量对所述目标图像进行分类， 确定所述目标图像的识别结果。
46.在本发明实施例的第三方面，还提供了一种电子设备，包括处理器、 通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通 信总线完成相互间的通信；
47.存储器，用于存放计算机程序；
48.处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任 一所述的色情图像识别方法。
49.在本发明实施例的第四方面，还提供了一种存储介质，所述存储介质 中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面中 任一所述的色情图像识别方法。
50.在本发明实施例的第五方面，还提供了一种包含指令的计算机程序产 品，当其在计算机上运行时，使得计算机执行上述第一方面中任一所述的 色情图像识别方法。
51.本发明实施例提供的技术方案，通过获取待识别的目标图像；提取目 标图像中的初始图像特征向量；根据初始图像特征向量，提取注意力特征 向量，注意力特征向量能够表征目标图像中不同通道的色情程度以及目标 图像中不同空间区域的色情程度；基于注意力特征向量对目标图像进行分 类，确定目标图像的识别结果。如此，在提取了图像中的初始图像特征向 量后，对其进一步处理，得到的注意力特征向量，即能够表征目标图像中 不同通道的色情程度，又能够表征目标图像中不同空间区域的色情程度， 因此，通过注意力特征向量，便能够确定在目标图像中哪些区域以及哪些 通道对于目标图像的判定更加重要，因此，基于得到的注意力特征向量进 行分类，能够准确的判断目标图像是否为色情图像。
附图说明
52.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本 发明的实施例，并与说明书一起用于解释本发明的原理。
53.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对 实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地， 对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以 根据这些附图获得其他的附图。
54.图1为本发明实施例中示出的一种色情图像识别方法的实施的场景结 构示意图；
55.图2为本发明实施例中示出的一种色情图像识别方法的流程示意图；
56.图3为本发明实施例中示出的另一种色情图像识别方法的流程示意图；
57.图4为本发明实施例中示出的一种色情图像识别装置的结构示意图；
58.图5为本发明实施例中示出的一种电子设备的结构示意图。
具体实施方式
59.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本 发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施 例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动 的前提下所获得的所有其他实施例，都属于本发明保护的范围。
60.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第 一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或 先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描 述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实 施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖 不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产 品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地 列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
61.根据本技术一实施例提供了一种色情图像识别方法。可选地，在本申 请实施例中，上述色情图像识别方法可以应用于如图1所示的由终端101 和服务器102所构成的硬件环境中。如图1所示，服务器102通过网络与 终端101进行连接，可用于为终端或终端上安装的客户端提供服务(如视 频服务、应用服务等)，可在服务器上或独立于服务器设置数据库，用于 为服务器102提供数据存储服务，上述网络包括但不限于：广域网、城域 网或局域网，终端101并不限定于pc、手机、平板电脑等。
62.本技术实施例的色情图像识别方法可以由服务器102来执行，也可以 由终端101来执行。其中，终端101执行本技术实施例的色情图像识别方 法，具体而言，是由安装在其上的客户端来执行。
63.以终端执行本技术实施例的色情图像识别方法为例，本技术的色情图 像识别方法可以通过预先训练的神经网络模型实现，将该预先训练的神经 网络模型应用在终端，从而实现对图像准确的识别。其中，预先训练的神 经网络模型可以是在se-resnext-50模型中插入通道注意力机制模块和空 间注意力机制模块，从而在se-resnext-50模型提取到初始图像特征向量 后，将该向量分别输入通道注意力机制模块和空间注意力机制模块，得到 通道特征向量和空间特征向量，将二者融合后，将得到的注意力特征向量 再输入se-resnext-50模型中，进行进一步的分类，从而得到识别结果。
64.图2是根据本技术实施例中一种可选的色情图像识别方法的流程示意 图，如图2所示，该方法的流程可以包括以下步骤：
65.步骤201、获取待识别的目标图像。
66.一些实施例中，待识别的目标图像可以为输入的原始图像，也可以对 原始图像进行一系列处理后得到的图像。
67.在一个可选实施例中，获取待识别的目标图像的具体过程，可以以以 下方式得到：
68.获取原始图像；对原始图像进行数据增广，得到增广图像；对增广图 像进行图像缩放，得到目标图像。
69.一些实施例中，原始图像可以是用户输入的，或者终端在预设的图像 数据源中获
取的，或者从待识别的视频中抽取后得到的。
70.在得到原始图像后，为提高对图像的识别的准确性，对原始图像进行 数据增广，得到多个基于原始图像的增广图像，从而能从多个角度对原始 图像进行识别，提高对原始图像识别的准确性。
71.另外，在模型的训练阶段，通过数据增广的方式，还可以增加训练数 据集，让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力。 其中，数据增广的方式可以但不限于包括：水平翻转，垂直翻转，旋转， 缩放，裁剪，剪切，平移，调整对比度，色彩抖动，高斯模糊和仿射变换 中的至少一种。其中，高斯模糊能够使图像变得模糊且平滑，可以减少图 像噪声以及降低细节层次。
72.进一步的，在实验过程中发现，将输入模型中的目标图像统一为合适 的尺寸，能够提高识别准确率。本实施例中，可以将增广之后的图像统一 缩放至299
×
299大小。
73.步骤202、提取目标图像中的初始图像特征向量。
74.一些实施例中，初始图像特征向量可以通过残差网络，提取目标图像 中的深层通道特征向量和浅层通道特征向量，将se-resnext-50作为骨干网 络，通过全局平均池化操作对深层的通道特征和浅层的通道特征进行融合， 最终得到预设维度的特征向量，即得到初始图像特征向量。其中，预设维 度可以但不限于2048维度。
75.其中，利用残差网络提取初始图像特征向量，残差网络能够通过增加 相当的深度来提高准确率；并且，残差网络中的残差块使用了跳跃连接， 缓解了在深度神经网络中增加深度带来的梯度消失问题。
76.其中，上述的深层通道特征向量是通过残差网络中的深层网络提取到 的，浅层通道特征向量是通过残差网络中的浅层网络提取到的。深层网络 和浅层网络的网络层数不同，并且，深层网络的网络层数比浅层网络的网 络层数多。其中，深层网络的网络层数和浅层网络的网络层数均可以根据 实际情况进行设置。
77.步骤203、根据初始图像特征向量，提取注意力特征向量，注意力特征 向量能够表征目标图像中不同通道的色情程度以及目标图像中不同空间区 域的色情程度。
78.一些实施例中，在得到目标图像的初始图像特征向量后，可以将初始 图像特征向量进行进一步的特征提取，将其输入注意力模块中，进行注意 力特征向量的提取。其中，注意力模块包括通道注意力模块和空间注意力 模块，使得初始图像特征向量在输入注意力模块后，得到的注意力特征向 量，既能表征目标图像中不同通道的色情程度，也能表征目标图像中不同 空间区域的色情程度。
79.具体的，根据初始图像特征向量，提取注意力特征向量的方式有多种。
80.具体可以是第一种：提取初始图像特征向量在通道维度上的特征，得 到通道特征向量；提取通道特征向量在空间维度上的特征，得到注意力特 征向量。
81.也可以是第二种：提取初始图像特征向量在空间维度上的特征，得到 空间特征向量；提取空间特征向量在通道维度上的特征，得到注意力特征 向量。
82.在实际应用时，可以采用上述任一中提取注意力特征向量的方式。
83.以上述第一种方式为例，将该初始图像特征向量输入通道注意力模块， 通过通道注意力模块提取得到通道特征向量，以及，将该通道特征向量输 入空间注意力模块，通过空间注意力模块提取得到注意力特征向量。
84.进一步的，为了有效地计算通道的注意力，压缩了输入通道注意图的 空间维数，即，将2048维度的初始图像特征向量输入到通道注意力模块。 在通道注意力模块中，利用特征的通道间关系，生成了通道注意图。将该 通道注意图的每个通道作为特征探测器，通道注意聚焦于“what(什么)
”ꢀ
是有意义的输入图像，即通道注意力模块确定通道中哪些通道对于确定图 像为色情图像是重要的。为了聚焦空间信息，同时使用平均池化和最大池 化，同时使用这两种功能大大提高了网络的表示能力。
85.其中，上述的通道是指目标图像中不同的颜色通道。在目标图像的格 式不同时，对应的通道不同。具体的，目标图像的格式为rgb图像时，通 道包括rgb通道、r通道、g通道和b通道；对于cmyk格式的图像包 括cmyk通道、c通道、m通道、y通道和k通道；对于lab格式的图像， 包括lab通道、l通道、a通道和b通道。
86.以图像格式为rgb图像为例，在各通道中数值不同时，对应的图像会 呈现不同的颜色，例如，r通道、g通道和b通道取一定数值时，rgb通 道呈现肉色，而通常人体的皮肤在裸露时为肉色，因此，可以确定r通道、 g通道和b通道取一定数值时的rgb通道，对于确定图像为色情图像是重 要的。
87.在一个可选实施例中，提取初始图像特征向量在通道维度上的特征， 得到通道特征向量，具体包括：
88.分别确定初始图像特征向量在空间维度上的第一最大值和第一平均 值；将第一最大值和第一平均值进行融合，得到第一中间向量；利用预设 的第一目标函数对第一中间向量进行处理，得到通道权重系数；将通道权 重系数与初始图像特征向量进行加权求和，得到通道特征向量。
89.其中，上述的第一最大值，可以通过对初始图像特征向量在空间维度 上进行全局最大池化操作得到；第一平均值，可以通过对初始图像特征向 量在空间维度上进行全局平均池化操作得到。
90.通过使用全局平均池化操作和全局最大池化操作，来聚合特征映射的 空间信息，生成两个不同的空间上下文描述符：第一最大值和第一平均值。 其中，全局平均池化更加关注图像整体的信息，全局最大池化则更加关注 图中某些极值部分，将两者并行使用能够取长补短，得到更好更全面的特 征表达。因此，在得到的第一最大值和第一平均值后，将二者进行融合， 从而融合得到的第一中间向量，能够更好的表达目标图像的通道特征。
91.其中，将第一最大值和第一平均值融合的方式有多种，例如，可以使 用“add()”函数将二者融合。
92.进一步的，在得到融合后的第一中间向量后，可以利用sigmoid激活函 数(即第一目标函数)进行激活，由于sigmoid激活函数会将第一中间向量 中每个数字都变成[0,1]之间的概率值，从而可以得到目标图像每个通道维 度的响应系数，即通道权重系数。
[0093]
进一步的，在得到通道权重系数后，将通道权重系数与初始图像特征 向量点乘，便可得到通道特征向量。
[0094]
本实施例中，实现了对原来特征的加权，将通道注意力引入原始特征， 使模型更加关注分值较高的特征区域。
[0095]
在一个可选实施例中，提取通道特征向量在空间维度上的特征，得到 注意力特征向量，包括：
[0096]
分别确定初始图像特征向量在通道维度上的第二最大值和第二平均 值；将第二最大值和第二平均值进行融合，得到第二中间向量；利用预设 的第二目标函数对第二中间向量进行处理，得到空间权重系数；将空间权 重系数与初始图像特征向量进行加权求和，得到空间特征向量。
[0097]
其中，上述的第二最大值，可以通过对初始图像特征向量在通道维度 上进行全局最大池化操作得到；第二平均值，可以通过对初始图像特征向 量在通道维度上进行全局平均池化操作得到。
[0098]
进一步的，在空间注意力模块中，利用特征间的空间关系，生成空间 注意图。与通道注意力不同的是，空间注意力集中在"where(哪里)"是 有意义的输入图像，即空间注意力模块确定中，哪些区域对于确定图像为 色情图像是重要的。为了计算空间特征向量，首先在通道维度上应用平均 池和最大池运算，并将它们连接起来以生成一个有效的特征描述符，即第 二中间向量。
[0099]
在一个可选实施例中，利用预设的第二目标函数对第二中间向量进行 处理，得到空间权重系数，包括：
[0100]
将第二中间向量与预设的卷积核进行卷积，得到卷积结果；基于激活 函数对卷积结果进行激活，得到空间权重系数。
[0101]
其中，预设的卷积核可以但不限于为7
×
7的卷积核，激活函数可以但 不限于为sigmoid激活函数，具体可以根据实际情况进行设置此处不做限 定。
[0102]
将卷积结果利用sigmoid激活函数激活，通过sigmoid激活函数将第二 中间向量中每个数字都变成[0,1]之间的概率值，能够得到特征图每个空间 纬度的响应系数，即空间权重系数。
[0103]
进一步的，将空间权重系数与初始图像特征向量点乘后即可得到空间 特征向量。
[0104]
可以理解的是，上述得到通道特征向量和空间特征向量的过程中，采 用的全局最大池化操作和全局平均池化操作，操作的过程是相同的，同样 是保留整体信息，突出极端值。但是作用位置是不同的，将两种池化作用 于通道维度，保留的是空间信息，为了让模型知道那些区域是重要的 (where)；将两种池化作用在空间纬度，保留的是通道信息，为了让模型 知道那些通道是重要的(what)。
[0105]
示例性的，以上述的初始图像特征向量为2048维特征向量(10
×
10
×ꢀ
2048)为例，由于两个步骤池化的作用位置不同，通道注意力模块是把原 来10
×
10
×
2048的特征池化到1
×1×
2048，保留通道信息；空间注意力模 块是把10
×
10
×
2048的特征池化到10
×
10
×
1，保留空间信息。
[0106]
一些实施例中，提取得到的注意力特征向量，将通道和空间结合起来， 实现了显著的性能改进，同时保持了小的开销。对于通道和空间的分别关 注，使用最大池化和平均池化，从而使预先训练的神经网络模型，学习了 如何有效地强调或压缩提取中间特征。
[0107]
步骤204、基于注意力特征向量对目标图像进行分类，确定目标图像的 识别结果。
[0108]
一些实施例中，在得到注意力特征向量后，可以将其输入 se-resnext-50模型的全局池化层和全连接层，以实现对目标图像最终的分 类。
[0109]
在一个可选实施例中，基于注意力特征向量对目标图像的分类，也可 以采用单独训练好的分类模型，对其分类。
[0110]
具体包括：将注意力特征向量输入预先训练的分类模型中；根据预先 训练的分类模型确定目标图像所属的主分类结果，以及主分类结果中的从 分类结果，将主分类结果和从分类结果作为识别结果，其中，主分类结果 是基于softmax损失函数优化分类模型后得到的，从分类结果是基于中心损 失函数优化分类模型后得到的。
[0111]
一些实施例中，针对主分类和从分类使用不同的loss函数，可以保留 主分类softmax损失函数不变的前提下，在从分类使用中心损失函数(例如 center loss或者focal loss)，这样模型能够把从分类类间的距离拉大，同时 类内的距离拉近。由于网络特征层是共享权重的，所以这样能够提高从分 类准确率的前提下，辅助主分类的分类精度。
[0112]
另外，还可以针对不同类别加权处理，在不同的业务场景中，各个类 别之间错分的危险性是不一样的。比如，性感错分为正常和色情错分为正 常的相比，显然将色情错分为正常更严重。因此，在对模型进行训练的过 程中，对不同类别之间的错分进行加权，加大色情与正常之间错分的惩罚， 进一步拉大正常和色情类间的距离，从而使训练得到的模型分类更加准确。
[0113]
在一个可选实施例中，在对预先训练的神经网络模型进行训练时，输 入的每个训练样本均包括训练目标图像和训练目标图像的标识，其中，训 练目标图像的标识用于标记训练目标图像的分类类别。
[0114]
在一个可选实施例中，在对预先训练的分类模型进行训练时，输入的 每个训练样本均包括训练注意力特征向量和训练注意力特征向量对应的训 练目标图像的标识，其中，训练注意力特征向量对应的训练目标图像的标 识用于标记训练目标图像的分类类别。
[0115]
本技术的一个具体实施例提供的色情图像识别方法，参见图3，包括：
[0116]
步骤301、获取原始图像。
[0117]
步骤302、将原始图像进行缩放，得到目标图像。
[0118]
步骤303、对目标图像进行特征提取，得到2048维特征向量。
[0119]
步骤304、基于通道注意力机制，得到通道特征向量。
[0120]
步骤305、基于空间注意力机制，得到注意力特征向量。
[0121]
步骤306、将注意力特征向量，输入层级分类模块。
[0122]
步骤307、输出主分类和从分类的分类结果。
[0123]
本实施例中，通过联合通道注意力模块和空间注意力模块，并且将这 两种模块与se-resnext-50模型进行整合，提高模型对图像的特征表征能 力，并且这两个模块可以灵活插入网络的任何阶段，提高了模块的可用性。 另外，在模型训练中使用了双层分类结构，同时完成主分类和从分类两种 分类任务，在后续使用过程中能够整合主分类和从分类结果，提高了模型 的识别性能。
[0124]
其中，主分类可以包括色情、正常和性感的分类类别。从分类是对每 个主分类进行从分的类别。在融合特征得到注意力特征向量之后，利用两 个全连接层，分别将注意力特征向量映射到主分类和从分类的纬度，然后 通过softmax实现分类。
[0125]
本发明可以应用于对包含色情内容的图像分类和视频分类任务中，尤 其是针对图像中有干扰项或者特征不太明显的难例，能够有效的提高算法 的识别能力，能够在不提高算法复杂度，保持算法推理速度的基础上，进 一步提高算法的准确率，在图文审核、视频审核方面有很大的应用空间。
[0126]
与上述方法实施例相对应，本发明实施例还提供了一种色情图像识别 装置，如图4所示，该装置可以包括：
[0127]
获取模块401，用于获取待识别的目标图像；
[0128]
第一提取模块402，用于提取目标图像中的初始图像特征向量；
[0129]
第二提取模块403，根据初始图像特征向量，提取注意力特征向量，注 意力特征向量能够表征目标图像中不同通道的色情程度以及目标图像中不 同空间区域的色情程度；
[0130]
分类模块404，用于基于注意力特征向量对目标图像进行分类，确定目 标图像的识别结果。
[0131]
基于同一构思，本技术实施例中还提供了一种电子设备，如图5所示， 该电子设备主要包括：处理器501、存储器502和通信总线503，其中，处 理器501和存储器502通过通信总线503完成相互间的通信。其中，存储 器502中存储有可被至处理器501执行的程序，处理器501执行存储器502 中存储的程序，实现如下步骤：
[0132]
获取待识别的目标图像；
[0133]
提取目标图像中的初始图像特征向量；
[0134]
根据初始图像特征向量，提取注意力特征向量，注意力特征向量能够 表征目标图像中不同通道的色情程度以及目标图像中不同空间区域的色情 程度；
[0135]
基于注意力特征向量对目标图像进行分类，确定目标图像的识别结果。
[0136]
上述电子设备中提到的通信总线503可以是外设部件互连标准 (peripheral component interconnect，简称pci)总线或扩展工业标准结构 (extended industry standard architecture，简称eisa)总线等。该通信总线 503可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用 一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0137]
存储器502可以包括随机存取存储器(random access memory，简称 ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一 个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器501 的存储装置。
[0138]
上述的处理器501可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np) 等，还可以是数字信号处理器(digital signal processing，简称dsp)、专 用集成电路(application specific integrated circuit，简称asic)、现场可 编程门阵列(field-programmable gate array，简称fpga)或者其他可编程 逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0139]
在本发明提供的又一实施例中，还提供了一种存储介质，该存储介质 中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任 一所述的色情图像识别方法。
[0140]
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序 产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的 色情图像识别方法。
[0141]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任 意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品 的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机 上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施 例所述的流程或功能。所述计算机可以是通用计算机、专用
计算机、计算 机网络、或者其他可编程装置。所述计算机指令可以存储在存储介质中， 或者从一个存储介质向另一个存储介质传输，例如，所述计算机指令可以 从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、 光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另 一个网站站点、计算机、服务器或数据中心进行传输。所述存储介质可以 是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的 服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如， 软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬 盘solid state disk(ssd))等。
[0142]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用 来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者 暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语
ꢀ“
包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包 括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包 括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者 设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定 的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在 另外的相同要素。
[0143]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相 同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的 不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例， 所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0144]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护 范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等， 均包含在本发明的保护范围内。