素材审核方法、计算设备及存储介质与流程

1.本发明涉及数据处理技术领域，具体涉及一种素材审核方法、计算设备及存储介质。


背景技术：

2.随着互联网技术的不断发展，在各个平台中可展示各种各样的素材。以电子书平台为例，电子书平台除了可提供电子书供用户阅读之外，在电子书平台页面中还可设置有一些展示位，通过展示位向用户展示更多、更丰富的素材内容。在现有技术中，通常采用人工审核方式对待投放的素材进行审核，然而，待投放的素材数量较多，采用现有的审核方式很难高效地完成素材审核任务，存在着审核效率低的问题。


技术实现要素：

3.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的素材审核方法、计算设备及存储介质。
4.根据本发明的一个方面，提供了一种素材审核方法，包括：
5.获取待审核素材；
6.利用经过训练的素材判别模型，计算待审核素材与原始素材库中的原始素材之间的相似度；其中，素材判别模型是根据原始素材库中的原始素材以及通过对原始素材进行变化处理所生成的第一变化素材和第二变化素材进行训练得到的；
7.根据相似度，确定审核结果。
8.根据本发明的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
9.存储器用于存放至少一可执行指令，可执行指令使处理器执行以下操作：
10.获取待审核素材；
11.利用经过训练的素材判别模型，计算待审核素材与原始素材库中的原始素材之间的相似度；其中，素材判别模型是根据原始素材库中的原始素材以及通过对原始素材进行变化处理所生成的第一变化素材和第二变化素材进行训练得到的；
12.根据相似度，确定审核结果。
13.根据本发明实施例的又一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述素材审核方法对应的操作。
14.根据本发明提供的技术方案，将基于原始素材、第一变化素材和第二变化素材进行训练所得到的素材判别模型引入至素材审核链路中，素材判别模型能够很好地适用于素材之间的相似度计算，具有较高的相似度识别准确率和处理效率；通过素材判别模型，能够自动、快速地对待审核素材与原始素材库中的原始素材之间的相似度进行精准识别，进而依据相似度能够便捷地确定审核结果，有效地提高了审核效率，解决了现有审核方式所存在的审核效率低的问题。
15.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
16.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
17.图1示出了根据本发明实施例一的一种素材审核方法的流程示意图；
18.图2a示出了根据本发明实施例二的一种素材审核方法的流程示意图；
19.图2b示出了素材判别模型的正向传播示意图；
20.图2c示出了素材判别模型的反向传播示意图；
21.图2d示出了根据本发明实施例二的一种素材审核方法的处理链路示意图；
22.图3示出了根据本发明实施例四的一种计算设备的结构示意图。
具体实施方式
23.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
24.实施例一
25.图1示出了根据本发明实施例一的一种素材审核方法的流程示意图，如图1所示，该方法包括如下步骤：
26.步骤s101，获取待审核素材。
27.该方法可由服务端进行执行，具体用于对需要投放在平台中展示的素材进行审核，在审核过程中利用经过训练的素材判别模型自动地识别待审核素材与原始素材之间的相似度，进而依据相似度确定审核结果。在本实施例中，可将服务端接收到的待审核素材添加至素材集合中，通过素材集合对待审核素材进行统一管理。在步骤s101中，服务端可从素材集合中获取待审核素材，待审核素材具体可包括媒体信息、标题以及描述文本等，例如广告素材，其中，媒体信息具体可为图片或者视频等。
28.步骤s102，利用经过训练的素材判别模型，计算待审核素材与原始素材库中的原始素材之间的相似度。
29.为了实现对待审核素材的精准审核，预先收集了能够作为素材比对基础的原始素材，并将原始素材添加至原始素材库中，通过原始素材库对原始素材进行统一管理。原始素材具体为对于平台来说不符合预设规定的素材，即违规素材，例如竞品素材、包含有敏感信息的素材等。
30.在本实施例，采用经过训练的素材判别模型自动地识别待审核素材和原始素材的相似度，通过相似度反映该待审核素材为违规素材的可能性。其中，素材判别模型是根据原始素材库中的原始素材以及通过对原始素材进行变化处理所生成的第一变化素材和第二
变化素材进行训练得到的。第一变化素材和原始素材为同一类型的素材，第二变化素材和原始素材为不同类型的素材。具体地，第一变化素材为与原始素材相似的素材，第二变化素材为与原始素材不相似的素材，即第一变化素材为正素材，而第二变化素材为负素材。通过原始素材、第一变化素材和第二变化素材构建该原始素材对应的三元样本组，根据各个原始素材对应的三元样本组进行模型训练，从而得到经过训练的素材判别模型。通过素材判别模型能够精准地识别待审核素材与原始素材库中原始素材之间的相似度，为素材审核工作提供了可靠依据。其中，第一变化素材和第二变化素材可以是按照预设素材变化模板对原始素材进行变化处理而生成的。
31.步骤s103，根据相似度，确定审核结果。
32.通过相似度能够精准地反映待审核素材与原始素材之间的相似程度。在得到了待审核素材与原始素材之间的相似度之后，可通过将相似度与预设阈值进行比较来确定审核处理方式。具体地，可判断相似度是否超过预设阈值；若超过预设阈值，说明该待审核素材为违规素材的可能性很大，为了更为精准地识别待审核素材是否为违规素材，可将待审核素材添加至审核队列中，通过审核端对审核队列中的待审核素材进行进一步审核，从而得到最终的审核结果；若未超过预设阈值，说明该待审核素材为违规素材的可能性很小，可将其视为正常素材(即非违规素材)，直接审核通过，无需审核端进行进一步审核。
33.利用本实施例提供的素材审核方法，将基于原始素材、第一变化素材和第二变化素材进行训练所得到的素材判别模型引入至素材审核链路中，素材判别模型能够很好地适用于素材之间的相似度计算，具有较高的相似度识别准确率和处理效率；通过素材判别模型，能够自动、快速地对待审核素材与原始素材库中的原始素材之间的相似度进行精准识别，进而依据相似度能够便捷地确定审核结果，有效地提高了审核效率，解决了现有审核方式所存在的审核效率低的问题。
34.实施例二
35.图2a示出了根据本发明实施例二的一种素材审核方法的流程示意图，如图2a所示，该方法包括如下步骤：
36.步骤s201，针对原始素材库中的每个原始素材，按照预设素材变化模板，对该原始素材进行变化处理，生成该原始素材对应的第一变化素材和第二变化素材，构建该原始素材对应的三元样本组。
37.其中，预先收集了能够作为素材比对基础的原始素材，并将原始素材添加至原始素材库中。本领域技术人员可根据实际需要确定原始素材的数量，此处不做限定。在本实施例中，采用三元样本组的方式进行模型训练。具体地，针对原始素材库中的每个原始素材，按照预设素材变化模板，对该原始素材进行变化处理，生成该原始素材对应的第一变化素材和第二变化素材。其中，第一变化素材为与原始素材相似的素材，第二变化素材为与原始素材不相似的素材，即第一变化素材为正素材，而第二变化素材为负素材。
38.为了便于生成第一变化素材和第二变化素材，可在服务端中设置预设素材变化模板，预设素材变化模板中记录有第一变化素材对应的素材变化策略和第二变化素材对应的素材变化策略，具体地，预设素材变化模板可包括以下模板中的一个或多个：素材背景变化模板、素材前景变化模板、素材纹理变化模板、素材拉伸模板、素材截取模板、素材文本变化模板、素材拼接模板。其中，素材背景变化模板可用于变化原始素材的背景颜色、背景方位
等；素材前景变化模板可用于变化原始素材的前景颜色、前景方位等，以前景为人物为例，可改变人物的颜色、人物的朝向等；素材纹理变化模板可用于变化原始素材的纹理风格、清晰度等，例如进行模糊处理；素材拉伸模板可用于拉伸原始素材；素材截取模板可用于截取原始素材的部分区域；素材文本变化模板可用于改变原始素材中的文本；素材拼接模板用于将多个原始素材拼接成一个素材。
39.以原始素材为图片为例，对于第一变化素材，可以通过变化原始素材的背景颜色、拉伸图片、截取等方式来生成与原始素材相似的第一变化素材；对于第二变化素材，可以通过变化原始素材来生成与原始素材不相似的第二变化素材，例如可以通过变化原始素材的各像素的像素值的方式来生成标准图(全黑图或全白图等)作为第二变化素材。
40.在完成了第一变化素材和第二变化素材的生成之后，即可利用该原始素材、第一变化素材和第二变化素材，构建该原始素材对应的三元样本组。三元样本组中包括三个组成部分，具体包括该原始素材、第一变化素材以及第二变化素材。
41.步骤s202，将各个原始素材对应的三元样本组添加至训练样本集合中。
42.通过执行步骤s201，得到原始素材库中各个原始素材对应的三元样本组，将各个原始素材对应的三元样本组添加至训练样本集合中，通过训练样本集合对训练数据进行管理，以便进行模型训练。
43.步骤s203，根据训练样本集合，训练得到素材判别模型。
44.其中，素材判别模型的训练步骤可包括：从训练样本集合中提取三元样本组；将三元样本组输入至初始素材判别模型中进行特征向量提取，得到三元样本组的目标素材特征向量；利用三元损失函数，计算三元样本组的目标素材特征向量对应的损失，根据损失调整初始素材判别模型的权重参数；循环迭代执行上述步骤，直至满足迭代结束条件，得到素材判别模型。
45.在本实施例中，初始素材判别模型包括：深度残差网络和孪生网络。其中，深度残差网络(deep residual network，resnet)具体可选用resnet50，resnet50是经典的特征提取网络结构，在resnet50中，输入input经过resnet50的5个阶段(分别为stage0、stage1、stage2、stage3和stage4)得到输出output，其中，stage0可以视为对输入的预处理，stage1、stage2、stage3和stage4都是由瓶颈层bottleneck组成，结构较为相似，其中，stage1包含有3个瓶颈层bottleneck，stage2包含有4个瓶颈层bottleneck，stage3包含有6个瓶颈层bottleneck，stage4包含有3个瓶颈层bottleneck。而孪生网络是通过共享权重参数而形成的连体的神经网络，其中，孪生网络也可采用resnet50等进行构建。
46.图2b示出了素材判别模型的正向传播示意图，如图2b所示，从训练样本集合中提取三元样本组，三元样本组包含有原始素材、该原始素材对应的第一变化素材以及该原始素材对应的第二变化素材，即模型有三个输入；接着将三元样本组输入至初始素材判别模型中进行特征向量提取，得到三元样本组的目标素材特征向量，在本实施例中，初始素材判别模型包括深度残差网络和孪生网络，特征向量提取过程为两级提取过程，具体地，先将三元样本组输入至深度残差网络(如resnet50)中进行第一次特征向量提取，得到三元样本组的初始素材特征向量，然后再将三元样本组的初始素材特征向量输入至对应的孪生网络中进行第二次特征向量提取，从而得到三元样本组的目标素材特征向量。其中，三元样本组的目标素材特征向量包含有三个组成部分的目标素材特征向量，即三元样本组的目标素材特
征向量包括：原始素材的目标素材特征向量、第一变化素材的目标素材特征向量以及第二变化素材的目标素材特征向量。具体地，目标素材特征向量具体可包括：背景特征向量、前景特征向量、纹理特征向量、文本特征向量等多个维度的、用于反映素材信息的特征向量。
47.如图2b所示，三个孪生网络分别与三元样本组中的原始素材、第一变化素材以及第二变化素材相对应，也就是说，图2b中左侧的孪生网络用于根据原始素材的初始素材特征向量从中提取原始素材的目标素材特征向量，图2b中间的孪生网络用于根据第一变化素材的初始素材特征向量从中提取第一变化素材的目标素材特征向量，图2b中右侧的孪生网络用于根据第二变化素材的初始素材特征向量从中提取第二变化素材的目标素材特征向量。三个孪生网络之间的权重参数是同步、共享的。
48.在提取得到三元样本组的目标素材特征向量之后，还需利用三元损失函数(triplet loss)计算三元样本组的目标素材特征向量对应的损失，具体地，计算原始素材的目标素材特征向量和第一变化素材的目标素材特征向量之间的第一相似度；计算原始素材的目标素材特征向量和第二变化素材的目标素材特征向量之间的第二相似度；依据第一相似度、第二相似度以及预设参数，得到三元样本组的目标素材特征向量对应的损失。具体地，三元损失函数的公式可为：
49.l＝max(d(a,p)-d(a,n) margin,0)；
50.其中，l表示三元样本组的目标素材特征向量对应的损失；a表示原始素材的目标素材特征向量；p表示第一变化素材的目标素材特征向量；n表示第二变化素材的目标素材特征向量；d(a,p)表示原始素材的目标素材特征向量和第一变化素材的目标素材特征向量之间的第一相似度；d(a,n)表示原始素材的目标素材特征向量和第二变化素材的目标素材特征向量之间的第二相似度；margin表示预设参数。该三元损失函数最终的优化目标是拉近原始素材和第一变化素材之间的距离，拉远原始素材和第二变化素材之间的距离。
51.图2c示出了素材判别模型的反向传播示意图，如图2c所示，在利用三元损失函数计算得到三元样本组的目标素材特征向量对应的损失之后，进行反向传播运算，通过运算结果调整初始素材判别模型的权重参数(包括深度残差网络的权重参数和孪生网络的权重参数)。迭代结束条件可包括：迭代次数达到迭代次数阈值；和/或，三元损失函数的输出值小于损失阈值。在满足迭代结束条件之后，停止迭代处理，从而得到经过训练的素材判别模型。
52.步骤s204，获取待审核素材。
53.当需要进行素材审核时，服务端可从素材集合中获取待审核素材，待审核素材具体可包括媒体信息、标题以及描述文本等，例如广告素材，其中，媒体信息具体可为图片或者视频等。
54.步骤s205，利用经过训练的素材判别模型，计算待审核素材与原始素材库中的原始素材之间的相似度。
55.图2d示出了根据本发明实施例二的一种素材审核方法的处理链路示意图，如图2d所示，服务端可设置相似关系定义并获取原始素材，相似关系定义记录有三元样本组的构建方式，执行入库操作，将原始素材添加至原始素材库中；按照相似关系定义对原始素材进行处理，构建三元样本组，然后将三元样本组添加至训练样本集合中，根据训练样本集合，训练得到素材判别模型。在完成了素材判别模型之后，即可针对待审核素材进行自动审核
处理。具体地，将待审核素材和原始素材库中的原始素材输入至素材判别模型，利用素材判别模型，计算待审核素材与原始素材库中每个原始素材之间的相似度。
56.在实际应用中，由于原始素材库中包含有多个原始素材，利用素材判别模型进行相似度计算可以得到待审核素材与每个原始素材之间的相似度，也就是说，会得到多个相似度，为了有效地减少后续数据处理量，可从多个相似度中选取相似度最大值作为最终的相似度参与后续的相似度比对处理。
57.步骤s206，判断相似度是否超过预设阈值；若是，则执行步骤s207；若否，则执行步骤s208。
58.通过相似度能够精准地反映待审核素材与原始素材之间的相似程度。为了便于通过相似度识别待审核素材是否为违规素材，服务端可预先设置相似度阈值，即预设阈值，通过将基于素材判别模型所得到的相似度与预设阈值进行比对来确定待审核素材为正常素材(即不违规的素材)还是疑似违规素材(即可能为违规素材的素材)。本领域技术人员可根据实际需要设置预设阈值，例如可将预设阈值设置为70％等。
59.步骤s207，将待审核素材添加至审核队列中，通过审核端对审核队列中的待审核素材进行审核，得到审核结果。
60.若经步骤s206判断得到相似度超过预设阈值，说明该待审核素材为违规素材的可能性很大，如图2d所示，可将待审核素材添加至审核队列中，通过审核端对审核队列中的待审核素材进行进一步审核，得到最终的审核结果，从而实现了对待审核素材的精准识别，确保了审核精准度。可选地，将待审核素材添加至审核队列中，然后将审核队列中的待审核素材分发给各个审核端，由审核端侧的审核人员进行人工审核。
61.其中，本领域技术人员可根据实际需要设置审核队列的队列长度，队列长度越长，召回率越高，越能够防止违规素材漏审。通过对队列长度的合理设置，可以有效确保审核精准度和召回率。
62.可选地，若审核端通过审核所得到的审核结果为该待审核素材为违规素材，则审核不通过，那么可对该待审核素材进行屏蔽处理，以确保该待审核素材不会在平台中展示。
63.步骤s208，审核通过。
64.若经步骤s206判断得到相似度未超过预设阈值，说明该待审核素材为违规素材的可能性很小，可直接审核通过，无需审核端进行进一步审核。可见，通过这种处理方式，使得审核端仅需对相似度超过预设阈值的待审核素材进行审核，有效地减少了审核端的审核工作量，缩减了审核端的审核耗时。
65.利用本实施例提供的素材审核方法，通过对原始素材进行变化处理能够便捷地生成第一变化素材和第二变化素材，便捷地完成对三元样本组的构建；采用深度残差网络和孪生网络构建素材判别模型，并利用三元样本组进行模型训练，经过训练的素材判别模型具有较高的相似度识别准确率和处理效率，能够很好地适用于素材之间的相似度计算；采用素材判别模型，能够自动、快速地对待审核素材与原始素材之间的相似度进行精准识别；通过基于素材判别模型所得到的相似度与预设阈值进行比对，能够便捷地确定待审核素材为正常素材还是为疑似违规素材，仅将相似度超过预设阈值的疑似违规素材发送至审核端进行进一步审核，有效地减少了审核端的审核工作量，缩减了审核端的审核耗时，进一步提升了审核效率，优化了素材审核方式。
66.实施例三
67.本发明实施例三提供了一种非易失性存储介质，存储介质存储有至少一可执行指令，该可执行指令可执行上述任意方法实施例中的素材审核方法。
68.可执行指令具体可以用于使得处理器执行以下操作：获取待审核素材；利用经过训练的素材判别模型，计算待审核素材与原始素材库中的原始素材之间的相似度；其中，素材判别模型是根据原始素材库中的原始素材以及通过对原始素材进行变化处理所生成的第一变化素材和第二变化素材进行训练得到的；根据相似度，确定审核结果。
69.在一种可选的实施方式中，可执行指令进一步使处理器执行以下操作：针对原始素材库中的每个原始素材，按照预设素材变化模板，对该原始素材进行变化处理，生成该原始素材对应的第一变化素材和第二变化素材，构建该原始素材对应的三元样本组；其中，该原始素材对应的三元样本组包含有该原始素材、第一变化素材以及第二变化素材；将各个原始素材对应的三元样本组添加至训练样本集合中；根据训练样本集合，训练得到素材判别模型。
70.在一种可选的实施方式中，预设素材变化模板包括以下模板中的一个或多个：素材背景变化模板、素材前景变化模板、素材纹理变化模板、素材拉伸模板、素材截取模板、素材文本变化模板、素材拼接模板。
71.在一种可选的实施方式中，可执行指令进一步使处理器执行以下操作：从训练样本集合中提取三元样本组；将三元样本组输入至初始素材判别模型中进行特征向量提取，得到三元样本组的目标素材特征向量；利用三元损失函数，计算三元样本组的目标素材特征向量对应的损失，根据损失调整初始素材判别模型的权重参数；循环迭代执行上述步骤，直至满足迭代结束条件，得到素材判别模型。
72.在一种可选的实施方式中，初始素材判别模型包括：深度残差网络和孪生网络；可执行指令进一步使处理器执行以下操作：将三元样本组输入至深度残差网络中进行第一次特征向量提取，得到三元样本组的初始素材特征向量；将三元样本组的初始素材特征向量输入至对应的孪生网络中进行第二次特征向量提取，得到三元样本组的目标素材特征向量。
73.在一种可选的实施方式中，三元样本组的目标素材特征向量包括：原始素材的目标素材特征向量、第一变化素材的目标素材特征向量以及第二变化素材的目标素材特征向量；可执行指令进一步使处理器执行以下操作：计算原始素材的目标素材特征向量和第一变化素材的目标素材特征向量之间的第一相似度；计算原始素材的目标素材特征向量和第二变化素材的目标素材特征向量之间的第二相似度；依据第一相似度、第二相似度以及预设参数，得到三元样本组的目标素材特征向量对应的损失。
74.在一种可选的实施方式中，可执行指令进一步使处理器执行以下操作：判断相似度是否超过预设阈值；若是，则将待审核素材添加至审核队列中，通过审核端对审核队列中的待审核素材进行审核，得到审核结果；若否，则审核通过。
75.实施例四
76.图3示出了根据本发明实施例四的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
77.如图3所示，该计算设备可以包括：处理器(processor)302、通信接口
(communications interface)304、存储器(memory)306、以及通信总线308。
78.其中：
79.处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
80.通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
81.处理器302，用于执行程序310，具体可以执行上述素材审核方法实施例中的相关步骤。
82.具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
83.处理器302可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
84.存储器306，用于存放程序310。存储器306可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
85.程序310具体可以用于使得处理器302执行以下操作：获取待审核素材；利用经过训练的素材判别模型，计算待审核素材与原始素材库中的原始素材之间的相似度；其中，素材判别模型是根据原始素材库中的原始素材以及通过对原始素材进行变化处理所生成的第一变化素材和第二变化素材进行训练得到的；根据相似度，确定审核结果。
86.在一种可选的实施方式中，程序310进一步使得处理器302执行以下操作：针对原始素材库中的每个原始素材，按照预设素材变化模板，对该原始素材进行变化处理，生成该原始素材对应的第一变化素材和第二变化素材，构建该原始素材对应的三元样本组；其中，该原始素材对应的三元样本组包含有该原始素材、第一变化素材以及第二变化素材；将各个原始素材对应的三元样本组添加至训练样本集合中；根据训练样本集合，训练得到素材判别模型。
87.在一种可选的实施方式中，预设素材变化模板包括以下模板中的一个或多个：素材背景变化模板、素材前景变化模板、素材纹理变化模板、素材拉伸模板、素材截取模板、素材文本变化模板、素材拼接模板。
88.在一种可选的实施方式中，程序310进一步使得处理器302执行以下操作：从训练样本集合中提取三元样本组；将三元样本组输入至初始素材判别模型中进行特征向量提取，得到三元样本组的目标素材特征向量；利用三元损失函数，计算三元样本组的目标素材特征向量对应的损失，根据损失调整初始素材判别模型的权重参数；循环迭代执行上述步骤，直至满足迭代结束条件，得到素材判别模型。
89.在一种可选的实施方式中，初始素材判别模型包括：深度残差网络和孪生网络；程序310进一步使得处理器302执行以下操作：将三元样本组输入至深度残差网络中进行第一次特征向量提取，得到三元样本组的初始素材特征向量；将三元样本组的初始素材特征向量输入至对应的孪生网络中进行第二次特征向量提取，得到三元样本组的目标素材特征向量。
90.在一种可选的实施方式中，三元样本组的目标素材特征向量包括：原始素材的目标素材特征向量、第一变化素材的目标素材特征向量以及第二变化素材的目标素材特征向量；程序310进一步使得处理器302执行以下操作：计算原始素材的目标素材特征向量和第
一变化素材的目标素材特征向量之间的第一相似度；计算原始素材的目标素材特征向量和第二变化素材的目标素材特征向量之间的第二相似度；依据第一相似度、第二相似度以及预设参数，得到三元样本组的目标素材特征向量对应的损失。
91.在一种可选的实施方式中，程序310进一步使得处理器302执行以下操作：判断相似度是否超过预设阈值；若是，则将待审核素材添加至审核队列中，通过审核端对审核队列中的待审核素材进行审核，得到审核结果；若否，则审核通过。
92.程序310中各步骤的具体实现可以参见上述素材审核实施例中的相应步骤对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
93.根据本实施例提供的方案，通过素材判别模型，能够自动、快速地对待审核素材与原始素材库中的原始素材之间的相似度进行精准识别，进而依据相似度能够便捷地确定审核结果，有效地提高了审核效率。
94.在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
95.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
96.类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
97.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
98.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
99.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
100.本发明公开了：a1.一种素材审核方法，包括：
101.获取待审核素材；
102.利用经过训练的素材判别模型，计算所述待审核素材与原始素材库中的原始素材之间的相似度；其中，所述素材判别模型是根据所述原始素材库中的原始素材以及通过对所述原始素材进行变化处理所生成的第一变化素材和第二变化素材进行训练得到的；
103.根据所述相似度，确定审核结果。
104.a2.根据a1所述的方法，在所述利用经过训练的素材判别模型，计算所述待审核素材与原始素材库中的原始素材之间的相似度之前，所述方法还包括：
105.针对所述原始素材库中的每个原始素材，按照预设素材变化模板，对该原始素材进行变化处理，生成该原始素材对应的第一变化素材和第二变化素材，构建该原始素材对应的三元样本组；其中，该原始素材对应的三元样本组包含有该原始素材、所述第一变化素材以及所述第二变化素材；
106.将各个原始素材对应的三元样本组添加至训练样本集合中；
107.根据所述训练样本集合，训练得到素材判别模型。
108.a3.根据a2所述的方法，所述预设素材变化模板包括以下模板中的一个或多个：
109.素材背景变化模板、素材前景变化模板、素材纹理变化模板、素材拉伸模板、素材截取模板、素材文本变化模板、素材拼接模板。
110.a4.根据a2或a3所述的方法，所述根据所述训练样本集合，训练得到素材判别模型，包括：
111.从所述训练样本集合中提取三元样本组；
112.将所述三元样本组输入至初始素材判别模型中进行特征向量提取，得到所述三元样本组的目标素材特征向量；
113.利用三元损失函数，计算所述三元样本组的目标素材特征向量对应的损失，根据所述损失调整所述初始素材判别模型的权重参数；
114.循环迭代执行上述步骤，直至满足迭代结束条件，得到素材判别模型。
115.a5.根据a4所述的方法，所述初始素材判别模型包括：深度残差网络和孪生网络；
116.所述将所述三元样本组输入至初始素材判别模型中进行特征向量提取，得到所述三元样本组的目标素材特征向量，包括：
117.将所述三元样本组输入至所述深度残差网络中进行第一次特征向量提取，得到所述三元样本组的初始素材特征向量；
118.将所述三元样本组的初始素材特征向量输入至对应的孪生网络中进行第二次特征向量提取，得到所述三元样本组的目标素材特征向量。
119.a6.根据a4或a5所述的方法，所述三元样本组的目标素材特征向量包括：所述原始
素材的目标素材特征向量、所述第一变化素材的目标素材特征向量以及所述第二变化素材的目标素材特征向量；
120.所述利用三元损失函数，计算所述三元样本组的目标素材特征向量对应的损失，包括：
121.计算所述原始素材的目标素材特征向量和所述第一变化素材的目标素材特征向量之间的第一相似度；
122.计算所述原始素材的目标素材特征向量和所述第二变化素材的目标素材特征向量之间的第二相似度；
123.依据所述第一相似度、所述第二相似度以及预设参数，得到所述三元样本组的目标素材特征向量对应的损失。
124.a7.根据a1-a6任一项所述的方法，所述根据所述相似度，确定审核结果，包括：
125.判断所述相似度是否超过预设阈值；
126.若是，则将所述待审核素材添加至审核队列中，通过审核端对所述审核队列中的待审核素材进行审核，得到审核结果；若否，则审核通过。
127.b8.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
128.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行以下操作：
129.获取待审核素材；
130.利用经过训练的素材判别模型，计算所述待审核素材与原始素材库中的原始素材之间的相似度；其中，所述素材判别模型是根据所述原始素材库中的原始素材以及通过对所述原始素材进行变化处理所生成的第一变化素材和第二变化素材进行训练得到的；
131.根据所述相似度，确定审核结果。
132.b9.根据b8所述的计算设备，所述可执行指令进一步使所述处理器执行以下操作：
133.针对所述原始素材库中的每个原始素材，按照预设素材变化模板，对该原始素材进行变化处理，生成该原始素材对应的第一变化素材和第二变化素材，构建该原始素材对应的三元样本组；其中，该原始素材对应的三元样本组包含有该原始素材、所述第一变化素材以及所述第二变化素材；
134.将各个原始素材对应的三元样本组添加至训练样本集合中；
135.根据所述训练样本集合，训练得到素材判别模型。
136.b10.根据b9所述的计算设备，所述预设素材变化模板包括以下模板中的一个或多个：
137.素材背景变化模板、素材前景变化模板、素材纹理变化模板、素材拉伸模板、素材截取模板、素材文本变化模板、素材拼接模板。
138.b11.根据b9或b10所述的计算设备，所述可执行指令进一步使所述处理器执行以下操作：
139.从所述训练样本集合中提取三元样本组；
140.将所述三元样本组输入至初始素材判别模型中进行特征向量提取，得到所述三元样本组的目标素材特征向量；
141.利用三元损失函数，计算所述三元样本组的目标素材特征向量对应的损失，根据所述损失调整所述初始素材判别模型的权重参数；
142.循环迭代执行上述步骤，直至满足迭代结束条件，得到素材判别模型。
143.b12.根据b11所述的计算设备，所述初始素材判别模型包括：深度残差网络和孪生网络；
144.所述可执行指令进一步使所述处理器执行以下操作：
145.将所述三元样本组输入至所述深度残差网络中进行第一次特征向量提取，得到所述三元样本组的初始素材特征向量；
146.将所述三元样本组的初始素材特征向量输入至对应的孪生网络中进行第二次特征向量提取，得到所述三元样本组的目标素材特征向量。
147.b13.根据b11或b12所述的计算设备，所述三元样本组的目标素材特征向量包括：所述原始素材的目标素材特征向量、所述第一变化素材的目标素材特征向量以及所述第二变化素材的目标素材特征向量；
148.所述可执行指令进一步使所述处理器执行以下操作：
149.计算所述原始素材的目标素材特征向量和所述第一变化素材的目标素材特征向量之间的第一相似度；
150.计算所述原始素材的目标素材特征向量和所述第二变化素材的目标素材特征向量之间的第二相似度；
151.依据所述第一相似度、所述第二相似度以及预设参数，得到所述三元样本组的目标素材特征向量对应的损失。
152.b14.根据b8-b13任一项所述的计算设备，所述可执行指令进一步使所述处理器执行以下操作：
153.判断所述相似度是否超过预设阈值；
154.若是，则将所述待审核素材添加至审核队列中，通过审核端对所述审核队列中的待审核素材进行审核，得到审核结果；若否，则审核通过。
155.c15.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如a1-a7中任一项所述的素材审核方法对应的操作。