违反检测基于深度学习的视频直播

文摘

随着互联网技术的快速发展,直播行业也蓬勃发展。然而,在公共网络直播平台,直播安全问题变得越来越突出。检测涉嫌色情视频直播平台仍处于手工检测阶段,也就是说,通过管理员和用户的监督报告。目前,在中国有很多在线直播平台。在主流直播平台,同时生活广播的数量可以达到超过100000人/次。只有通过手动检测,有一系列的问题,如效率低、针对性差,进展缓慢。这种方法显然不是实时网络监督的任务要求。识别是否在互联网上直播包含色情内容,深神经网络模型提出了基于剩余网络(ResNet-50)检测图片和视频直播平台。检测的核心思想是将视频中的每个图像分为两类:(1)和(2)违反。实验验证提出的网络可以在网络广播提高色情检测的效率。 The detection method proposed in this article can improve the accuracy of detection on the one hand and can standardize the detection indicators in the detection process on the other. These detection indicators have a certain promotion effect on the classification of pornographic videos.

1。介绍

目前,互联网技术和物联网技术取得了快速发展,基于这些技术和各种产品和消费模式已经深入应用在各种行业1- - - - - -12]。人们的在线娱乐发生了巨大的变化。从简单的视频观看和单一文本评论视频和评论接二连三的视频,它终于发展成今天的直播。互动形式是不断接近线下互动,整个国家已经进入了“+”时代。根据网络统计,2015年,中国有近200人在线直播平台。直播的人数达到了2亿,在线直播行业用户的数量已经达到了3亿份。大规模直播平台有近400万人同时在线用户每天在高峰时段,同时和直播的数量超过3000。2016年,中国的在线直播平台数量增加到300,在线直播行业用户的数量达到了3亿。到2017年,直播行业用户的数量已经达到了5亿份。直播产业的蓬勃发展,直播内容的违法行为日益严重。 In terms of live webcast video detection, it is still in the manual detection stage, mainly through the supervision of administrators and user reports. The main problems with manual supervision are (1) increased labor costs; (2) prone to missed inspections due to limited human energy; and (3) the huge number of live broadcast platforms and live video, resulting in a huge workload of manual supervision. Relying solely on manual supervision cannot achieve the goal. In addition, there are a large number of online live broadcast platforms; the content is complex, and the workload of pure human supervision is too large to meet the regulatory requirements of live broadcast platforms. At present, there is an urgent need for pornographic detection methods for online live broadcast.

目前,各种方法用于色情图像检测,总共有两种分类方法。一是将检测方法分为以下三个类别。第一种是基于规则的方法(13]。该方法首先建立了一个皮肤模型,可以过滤nonskin区域然后获得皮肤区域的图像。如果大于阈值,它被认为是一个色情图片。虽然这个方法是直观且容易实现,皮肤面积阈值很难准确。许多nonerotic图像也包含大量的皮肤区域,所以识别色情图片的精度很低。第二种方法是基于图像检索(14]。这个方法首先建立一个数据库与色情图片,然后选择合适的图像特征,然后比较了图像特征与数据库中的图像特征识别。如果相似度超过某个阈值,它决定作为一个色情图片。由于色情图片的多样性,为了提高精度,需要建立一个巨大的数据库。这将导致过度的内存使用和识别时间长。第三是学习型的方法(15,16]。这种方法需要设计色情图片的视觉特征,并基于这些视觉特性,使用机器学习的方法17- - - - - -27)获得学习模型。最后,学习模型用于色情图像识别。通过比较可以发现,尽管上优于方法具有较高的精度和检测速度在三种方法中,一般人为广义获得的图像特征。然而,人工选择的视觉功能的泛化性能较低,很难满足实际的需求。

第二个一般分类色情识别方法分为以下三个类别:色情识别基于肤色、色情识别基于手动提取特征,基于深度学习和色情识别。研究基于皮肤颜色主要集中在色情图片的分类与大量的皮肤像素。Fprsyth和斑点28)确定肤色区域基于颜色和纹理特征的图像分析人体的结构和人体的各个部分之间的关系,从而实现一个赤裸裸的识别系统。杨和Ahuja [29日)提出了使用高斯混合模型学习皮肤像素的分布下的训练图像CIELuv颜色空间。学模型应用于皮肤像素检测在测试图像。琼斯和Rehg [30.]介绍了直方图的概念,提取肤色区域的色情图片和正常的图片和计数的颜色相应的RGB颜色空间的分布直方图。根据直方图,人类肤色的分布在RGB颜色空间。根据这种方法,特性,比如肤色区域,最大的肤色区域,连接和平均肤色概率计算。神经网络分类的特性来实现色情图像的检测。Srisaan [31日和巴西利奥等。32)提取肤色区域的YCbCr空间和HSV颜色空间,分别。在两个研究中,肤色检测是通过计算肤色像素的分布。总之,色情图片基于肤色检测的检测依赖于肤色像素的判断标准。皮肤颜色很容易受到光线的影响,很难用一个简单的肤色检测高精度色情图片与复杂的纹理。Nonerotic图像包含大量当中的像素在检测过程中容易误判。因此,它是不可靠的使用肤色识别色情图片的标准。纯粹的肤色检测在色情图像识别有一定的局限性。为了提高识别率,更多的功能需要在图像中提取进行多维分析。因此,基于手工特征提取出现色情识别。该框架主要包括两个链接:特征提取和分类器,如图1。

色情识别基于手动提取特征主要是使用不同的特征提取算法提取显著特征,如颜色、纹理、形状和使用不同的分类器对提取的特征实现色情图像识别。Karavarsamis et al。33)获得了肤色凸包图像ROI区域定位,计算15等特性的期望和方差凸壳地区和凸包地区nonskinned像素的比例在RGB颜色空间。最后,随机树森林用于分类。王等人。34)提出了一个识别裸体图像的模型基于肚脐和躯干的特性。Deselaers et al。35]提出了基于视觉提取图像信息袋(弓)模型,在图像块特征向量作为包的话,直方图和SVM用于分类视觉词。

色情图像识别基于深度学习主要分类色情图片或视频通过卷积神经网络(CNN)和LSTM网络模型。Moustaf [36]使用NPDI [37]数据集上的微调AlexNet [38]和GoogleNet [39)模型。这两个模型是混合根据不同的阈值,最后分类。模型如图2。Wehrmann et al。40)提出了成人内容识别与深层神经网络模型,用于提取NPDI关键帧的数据集的特性。长期和短期记忆网络用于对提取的特征进行分类。佩雷斯et al。41)视频信息分为静态信息和动态信息。视频帧被送入一个CNN模型来提取静态信息,和光学流和MPEG运动向量是用来描述视频运动信息。运动信息发送到CNN提取视频运动特性。最后,支持向量机(42)用于对提取的特征进行分类。色情图像检测基于深度学习的精度高于皮肤颜色和基于功能的检测方法。

ResNet-50学习模型基于残余网络介绍了研究和使用这种学习模型来检测和分类的图片和视频。模型的优点如下:(1)具有较高的识别精度和效率,和准确性达到95%以上;(2)由于添加剩余模块在该模型中,信息损失相对较少层之间信息传递的过程中,可以避免这个问题,深层网络很难接受前一层的信息;(3)模型是不再受限于图像的尺寸;(4)通过改进普通CNN,模型的泛化能力添加剩余网络之后改善。本文提出的网络模型应用于色情内容侦测在直播平台上,和实验验证了该方案的有效性。本文的具体贡献如下:(1)检测算法基于深残余网络可以处理高维图片,和识别的准确性和效率比其他类似的算法。(2)一般来说,随着学习网络的层数的增加,学习效率会变得越来越低。残余网络的优点是,它是非常简单的网络结构来完成身份转换,减少了网络结构定义的网络层数的增加,网络结构可以减少传输中的信息损失尽可能多。(3)通过改善网络模型,识别精度和效率的两种类型的照片是进一步改善。

2。相关工作

2.1。图像检测

照片是一个主要的信息载体,人们每天接触,并有必要检测色情图片在互联网上。有许多类型的色情图片,最常见的是裸体的照片。因此,一些学者提出,暴露在外的皮肤和所有身体的面积图中可以找到的比例计算暴露在外的皮肤的面积。给定一定的阈值范围,以确定照片违反了规则,这是一个非常简单的判断方法,但缺点也是显而易见的。检测的照片不是有针对性和准确性难以保证。

给定一定数量的样本,马克是否这些样品是非法的图片。分类之前,必须预处理图像,图像的特征提取和比较使用卷积层确定图像是非法的。这种算法比阈值更准确的分类。具体的过程如图3和4。

2.2。视频检测

视频是多媒体和信息的航空公司之一的另一个代表经常会出现在人们的生活,但是视频的检测比较乏味。一个视频的基本单位是一个框架,也就是说,一幅画,这意味着一个视频是由许多照片。视频检测过程可以分为以下步骤:首先将视频分成帧一帧图片,然后每一帧图片进行预处理,最后每一帧图片进行分类。如果发现违规图片,管理员可以通知和违规视频可以及时处理。视频检测的流程图如图5。

3所示。解决这个问题的方法

3.1。网络结构

检测非法视频,深度学习网络的使用是可行的。然而,随着网络的深度逐渐增加,特征提取的效率会变得越来越低,学习的效率会逐渐减少。总之,一个深度学习网络无法完成任务。为应对这些挑战,本文提出了一种新的解决方案;使用ResNet-50 [43]基于残余网络,深层网络可以用来确保提取图片的特点,尽可能在深层网络结构定义的网络结构不受网络层数增加,从而提高学习效率和准确性。

3.2。图像预处理和特征提取

有效的分类特征提取的核心因素。在特征提取之前,需要选择一个高质量的图片。挑选一些照片与锋利的材质和锐利的边缘。把图片到合适的大小和降噪图像通过一个过滤器。为了使特征提取的效果更好,本文对所有执行图像增强的照片。常见的方法是对比提高、直方图均衡化等。图片分为两种类型;第一类是训练集,第二种类型是测试集。ResNet-50用于特征提取的训练集深度学习网络。这个过程是告诉检测系统一些明显是非法的图片或照片是否合格的图片,从而促进测试集的检测和检测的准确性。它直接影响的质量检测系统。图像处理流程如图6。

3.3。图像降维

高维数据检测是一个挑战。假设图像的尺寸 ,对应的一维向量计算是262144维度。这样的尺寸很难提取特征。降维是一个重要的环节。维度的降低主要是由池层(抽样层)。有许多常用的特征提取方法和经典的是CNN (44),主成分分析(PCA)方法(45和核主成分分析46](KPCA)等等。池层可以直接用来降低维度,并没有额外的图像处理步骤是必需的。池层(抽样层)主要取决于卷积核的大小和卷积的步幅内核降低维数。维图像是容易的过程。

3.4。剩余的网络

常见的网络结构,层数时,适当的增加在一定范围内,可以提高检测性能。然而,它不允许任意增加CNN的层数。不断提高神经网络的层数将不可避免地导致训练集上的准确性饱和甚至下降。当神经网络层的数量继续增加,这将导致问题如消失或退化梯度,梯度爆炸、和网络培训成本,所以不能改善检测性能随着网络层数量的增加。基于这一背景,本文介绍了残余网络。它减少了计算的数量和计算困难。剩余网络,深的恒等变换网络被用于制造深网络堕落成一个相对较浅的网络。剩余网络主要可以完美解决深层网络造成的副作用,即退化问题;然后,我们可以改善网络性能,提高网络深度。

3.5。图片分类

视频帧进行分类,分类结果是合格的和非法的。在剩余网络结构,完全连接层是用来完成分类。完全连接层过程和存储数据,并使用它作为输入层。然后,输出一个多维向量,这是分类的数量。由于这个实验是一个二元分类问题,实验中的多维向量是一个二维向量。在实验中,softmax [47)是用于歧视。由于将softmax输出的结果是一个概率,概率是用来表示检测结果在一个二维向量。图7显示了特定的识别过程。

4所示。介绍检测算法

为了验证该检测方法的性能,本文提出了五个比较模型,即(1)基于肤色特征的色情图像识别算法;(2)方向梯度直方图(猪)+支持向量机(SVM);(3)CNN;(4)CNN +残余网络算法;和(5)检测算法基于VGG-16网络。提出了一种基于ResNet-50网络结构,介绍了五个比较算法。

4.1。对比算法1:色情图像基于肤色特征的检测算法

根据作者的研究在色情图片,色情图片是图片更赤裸的身体部位。在调查的基础上,作者首先设定一定的阈值,然后计算每张图里有裸漏的比例。如果裸漏的比例大于设定阈值,这幅画被认为是一种侵犯。该方法识别的图片时将有一定的结果。然而,这种方法有一些缺点。如果照片中的人所穿的衣服接近皮肤,识别的结果将产生更大的影响,这幅画很可能是非法的。

4.2。对比算法2:基于方向梯度直方图的图像检测算法(猪)和支持向量机(SVM)

猪(48是方向梯度直方图。这种方法目前方法在计算机视觉和模式识别领域。该方法可用于描述图像的局部纹理特征。具体步骤描述如下:步骤1:部分图像。根据分割图像的策略,有两种类型的细分策略;首先是nonoverlap和第二个是重叠,这意味着特性可以提取图像分割后尽可能多地。本实验采用重叠策略。步骤2:计算梯度方向直方图分割块的。具体计算公式如下: 其中,我_x和我_y代表在水平和垂直方向的梯度值,米(x,y)代表梯度的大小θ(x,y)代表的方向梯度。步骤3:组成特征。根据图像的块分割,块分割的结果的端到端连接形成的特征描述图像;然后,这些特征是图像分类的依据我们的判断,即前面提到的例子形象的作用。支持向量机是支持向量机。以二进制分类为例。数据参与二进制分类被称为正样本和负样本,分别。如果正面和负面的样品在实验中,支持向量机的作用是找到一个“超平面。“积极的和消极的样本进行分类以及可能的,积极的和消极的样本分布尽可能均匀的超平面。

4.3。对比算法3:基于卷积神经网络图像检测算法

CNN是一个很好的网络结构在许多神经网络。CNN的实验本文主要使用卷积层,池层(抽样层)和完全连接层。CNN是专门介绍如下。

卷积层,原始图像的特征提取通过设置卷积核的大小和步长在卷积。卷积后,图像的尺寸会稍微减少根据卷积核的大小。

池层或抽样层的主要作用是减少尺寸和减少图像;其次,简化网络的复杂性,减少计算量,并降低内存消耗;同时,扩大接受域实现平移不变性、旋转不变性和尺度不变性;实现非线性等等。

完全连接层地图学会了“分布式特性表征”样本空间,作为一个“分类”在整个CNN找出照片是否合格或不合格。

4.4。对比算法4:基于卷积神经网络的图像检测算法和残余网络

通过改进CNN,剩余网络部分添加到形成一个新算法。下面介绍了网络结构。因为上面的介绍了CNN,只剩余的部分是介绍部分。

当我们使用一个标准的优化算法来训练一个共同的网络,比如使用梯度下降法(或其他受欢迎的优化算法),不使用残差,没有这些快捷方式或者跳连接,你会发现,当网络深度的加深,错误先降低,然后增加。然而,从理论上讲,随着网络深度的加深,培训效果就越好。然而,事实上,如果没有残余网络,一个正常的网络,深度越深,就越难培养优化算法。此外,随着网络的深度的加深,训练误差将会增加。

然而,通过使用ResNets情况是不同的。即使网络是更深层次的,训练性能保持稳定,和训练误差降低,即使网络是100层深。有些人甚至进行实验在1000 -层神经网络,使我们能够保证良好的性能,同时培训更深层次的网络。随着网络变得更深,网络连接将成为巨大的规模,但ResNet确实是非常有效的训练网络。

4.5。对比算法5:基于VGG-16图像检测算法

这个模型共有16层的网络结构,因此它被称为VGG-16 [49]。这是牛津大学2014年提出的,其网络简单、实用。在224×224×3张照片为例,具体计算过程如下:第一步:输入224×224×3张照片,两个64卷积核的卷积后,使用一个池。在第一次卷积,c1(3×3×3)可训练的参数。步骤2:两个卷积内核犹如128后,使用一个池。步骤3:三个犹如256卷积核,使用后池。第四步:重复512年的三个卷积核两次,再次执行池。步骤5:最后一个条目是三个完整的连接。

4.6。本文算法:基于ResNet-50图像检测算法

2015年ResNet算法相对简单,非常实用。在此基础上,ResNet-50或resnet - 101是派生的,许多方法都是在此基础上建造的。检测、分割、识别、和其他应用程序场景开始使用ResNet。所有这一切都表明,ResNet真的很容易使用,发展潜力巨大。从理论上讲,与网络层的深入,图像分类的准确性应逐渐增加,但在实践中,随着网络的深入,训练集的准确性下降。然而,它绝对不是网络由于过度拟合,因为过度拟合的情况下将导致训练集高精度速率。传统的卷积网络或完全连接网络将会或多或少的信息丢失和损失的问题,当传输信息,并导致“梯度消失”或“梯度爆炸,导致深层网络培训。ResNet在一定程度上解决了上述问题。通过使用的想法绕过信息输入到输出,可以保护信息的完整性。整个网络学习输入和输出之间的区别,从而简化学习目标和降低复杂性。

鉴于上述情况,剩余网络将有一个相对更好的结果。剩余单位建立一个通道直接相关的数据输入和数据输出的目的。这使得一个强大的网络结构重点学习输入和输出之间的残差。例如,通常我们使用F(X,W_我)代表剩余的映射,然后输出Y=F(X,W_我)+X。当输入和输出通道的数量是相同的,我们可以自然地使用X直接添加。当通道的数量他们之间是不同的,我们需要考虑建立一个有效的映射函数,以便处理输入的数量X和输出Y渠道是一样的,也就是说,Y=F(X,W_我)+W_年代×X。

ResNet根据上述介绍,它可以解决这个问题的深化网络的识别精度。的一个原因是,剩余网络可以直接传输浅数据信息通过相关渠道相对较深的水平,与传统的网络。浅层次的信息需要向后一层一层地传播。当信息传送到更深的层,普通网络中的信息必然会造成损失。这就解释了为什么普通网络的识别精度减少随着网络日益加深。

ResNet-50是50-layer基于残余网络的网络结构,包括卷积等50-layer网络结构层,池层和残余网络。这是一个相对成熟的网络模型。摘要网络模型是用来探测非法视频。根据实验结果,ResNet-50将有一个比较良好的效果。

5。实验和分析

5.1。数据集

数据集作为数据识别的基础。数据丰富的数据集有一个决定性的对识别结果的影响。本文中的数据集包含一个训练数据集和测试。在训练数据集,两种类型的图片进行分类和标签和用作培训。然后,我们使用测试数据集检查训练网络。由于没有官方图书馆这样的数据集,数据集都用于查找图像本身,筛选图片,执行一系列图像预处理过程使普通图像可用的数据集。

数据集包含一个训练集:280张照片,其中140是合格的图片和140是不合格的照片。测试集包含267张图片,其中136是合格的图像和131是不合格的图片。训练集的数据,图像增强是必需的。所有的训练集图像增强试图避免网络“过度拟合的现象。“通过改变训练形象获得网络结构和更强的泛化能力,这也是一种提高网络数据集的数量并不大。有几个数据增强的方法:(1)使用标准化图像增强(2)使用几何转换(翻译、翻转和旋转)来增强图像的数据(3)使用随机调整亮度增强图像(4)使用随机调整对比度增强图像

5.2。实验结果的评价标准

对于测试结果,以下评估标准已经制定。

标准1。精度P(1)=数量的正确识别图片/参与的图片数量×100%。
然而,识别精度P(1)不能简单地作为评价标准。首先,单一评价标准偏差评价结果,如果错误的分类器,所有图片的检测结果是合格的,当检测到合格的图片的测试集,它将显示性能优良。然后,我们不能考虑这样一个分类器是一个很好的分类器,和这样一个分类器通常不是一个合格的分类器。结果,分类准确率合格的图片和违反图片和误分类率总体分类的分类器的出现,分别。具体定义如下。

标准2。召回率P(2)=数量的正确识别合格的照片/参与合格照片的数量×100%。

标准3。识别精度P(3)=数量的正确识别违规图片/参与识别违规图片数量×100%。

标准4。误分类率P(4)=预测错误的图片/总数量×100%。

标准5。F₁调和平均数的精度和召回,具体公式如下: 精度的准确率,正确的数量的比例确定违反违反图片识别的图片。召回是召回率,正确地识别合格的照片的比例在参与的比例确定合格的照片。

5.3。实验参数

实验中使用的关键参数如表所示1。最初的卷积核的数量决定了卷积特性提取的层数,所以尽可能多的功能可以被提取出来,以促进随后的检测和分类的步骤,因此本研究使用64最初的卷积核。学习效率是网络学习的速度。由于数量的培训,学习效率可以设置小。如果你设定了一个大的学习效率,随着学习次数的增加,很难减少损失函数,并将总是在一个区间振荡。

5.4。实验环境

在这个实验中使用的编译器是Matlab和Pycharm;操作系统是Windows 64位系统,Linux 16.5;版本的语言是Matlab2018a python3.7,运行环境是英特尔酷睿i7处理器,32 GB RAM。

5.5。实验结果和分析

根据上述实验的评估标准,现在这三个模型分别测试,6模型的测试结果如表所示2。

它可以从多个指标表2,ResNet-50比其他算法具有更好的识别效果。本文选择三个非法视频和连续三个视频帧检测到。特定的视频检测结果如下。

违反视频的检测结果如图18。

的检测结果违反视频2所示图9。

违反视频的检测结果如图310。

6。结论和改进

6.1。结论

快速发展的网络直播,直播已经成为不可或缺的一部分人们的娱乐和丰富了人们的生活。在实际应用场景中,这一研究可以用来检测非法视频直播平台,协助网络警察智能检测的色情视频。违反视频检测可以作为一个模块添加到网络公安大数据平台实时捕获实时视频从网络和检测是否视频是非法的。如果检测到视频违反时,警报将立即发出协助公共安全维护网络环境。然而,直播的质量和质量没有很好的检测平台。目前停留在手工阶段检测。依靠手工测试。然后,直播的内容和质量参差不齐,尤其是色情直播,这将影响用户的视觉体验,将危害孩子的健康。因此,本文提出一种新的检测策略基于剩余网络(ResNet-50),检测到直播内容的锚,提高检测的效率色情直播。从结果可以看出,检测的准确性的非法和合格的图片已达到95%以上。 The detection strategy proposed in this paper is better than traditional methods, especially for deep networks. The addition of residual network modules will increase the network’s generalization level and reduce the complex calculation process of deep networks. ResNet-50 is a relatively mature network structure. According to the experimental results, it can be seen that the network model performs relatively well for various indicators of video detection.

6.2。展望和改进

从检测结果和实验精度,本文中的算法,基于ResNet-50网络,显示了视频检测性能良好,但该算法也存在一些问题。因为很多数据集不是公众和数据不完整,需要进一步提高检测的准确性。本文主要关注的一些检测屏幕上直播期间,和目标面积相对较小。也可能同时检测和识别语音和文本。对于这些问题,我们在未来可以做相关的改进提高探测系统。在传统的卷积神经网络中,卷积核的大小必须设置在每一个卷积。换句话说,如果卷积核的大小是可变的,它可能是有用的检测,而不是当它是固定的。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持国家社会科学基金项目资助17 bgl102;江苏省优秀项目社会科学联盟在格兰特15 syc - 043;软科学研究格兰特KX15-B-01下无锡科技协会;为中央大学和基础研究基金拨款2015 zx18。

引用

1. h·高、w·黄和x,“应用概率模型检测在智能交通系统中路径规划使用移动轨迹及其统计数据,”智能自动化和软计算(Autosoft),25卷,不。3、547 - 559年,2019页。视图:谷歌学术搜索
2. h .高,黄w . y .段,x,和邹,“成本驱动服务组合在一个不确定的环境下,研究”互联网技术杂志》(JIT),20卷,不。3、755 - 769年,2019页。视图:谷歌学术搜索
3. 马x, h .高、h·徐和m .扁”一个IoT-based任务调度优化方案考虑云计算的期限和cost-aware科学工作流,”EURASIP无线通讯和网络》杂志上,卷2019,不。1,2019。视图:出版商的网站|谷歌学术搜索
4. h·高,y段、l .邵和x太阳,“Transformation-based处理多媒体类型资源来源在物联网环境中,“无线网络,2019年。视图:出版商的网站|谷歌学术搜索
5. h·高,y, y, w·张,r·李和x王,“环境敏感QoS预测与神经对物联网服务的协同过滤,“IEEE物联网,2019年。视图:出版商的网站|谷歌学术搜索
6. 周l . j . Yu, y,黄问:“多通道变压器与多视点图像字幕可视化表示,“IEEE电路和系统视频技术,2019年。视图:出版商的网站|谷歌学术搜索
7. h . m . j . Yu Tan, d .道和y .瑞,“分层深点击功能预测细粒度图像识别,”IEEE模式分析与机器智能,2019年。视图:出版商的网站|谷歌学术搜索
8. j . Yu c .朱j .张问:黄,d .道,“空间pyramid-enhanced NetVLAD和加权三联体损失识别,”IEEE神经网络和学习系统,2019年。视图:出版商的网站|谷歌学术搜索
9. 李y, y, j .夏,y。, w . Xu和l . Yu”Group-wise行程计划在临时移动社交网络,”IEEE访问7卷,第83693 - 83682页,2019年。视图:出版商的网站|谷歌学术搜索
10. 马y,邓,h . et al .,“部署数据密集型应用程序与多个服务组件边缘,”移动网络和应用程序,25卷,不。2、426 - 441年,2019页。视图:出版商的网站|谷歌学术搜索
11. 赵c, h, s .邓“density-based卸载策略计算系统物联网设备的优势,”IEEE访问》第六卷,第73530 - 73520页,2018年。视图:出版商的网站|谷歌学术搜索
12. l .旷,x, x, x杨,s . Li”预测出租车需求基于3 d卷积神经网络和多任务学习,”遥感,11卷,不。11,1265年,页2019。视图:出版商的网站|谷歌学术搜索
13. j .贝聿铭j .汉b Mortazavi-Asl et al .,“PrefixSpan:由前缀映射模式挖掘序列模式有效地增长,”程序数据工程国际会议p。215年,IEEE计算机协会,华盛顿特区,2001年美国。视图:谷歌学术搜索
14. j·艾尔斯j . Flannick j·耶尔克et al .,“使用位图表示序列模式挖掘,”第八届ACM SIGKDD学报》国际会议上知识发现和数据挖掘ACM,页429 - 435年,埃德蒙顿,加拿大,2002年7月。视图:谷歌学术搜索
15. b·勒·m·t·Tran, d . Tran”方法对早期修剪树枝的候选人的过程中挖掘序列模式,智能信息和数据库系统,ACIIDS 2017年”在计算机科学的课堂讲稿施普林格,柏林,德国,2017年。视图:谷歌学术搜索
16. m . Zihayat y陈,a,“Memory-adaptive高效用序列模式挖掘数据流,”机器学习,卷106,不。6,799 - 836年,2017页。视图:谷歌学术搜索
17. p .钱,江y, z邓et al .,“集群原型和模糊会员共同利用跨域最大熵聚类,“IEEE控制论,46卷,不。1,第193 - 181页,2015。视图:谷歌学术搜索
18. 江p .钱,y, s王et al .,“亲和力和罚款与all-compatibility共同约束谱聚类,灵活性,和健壮性,”IEEE神经网络和学习系统,28卷,不。5,1123 - 1138年,2016页。视图:谷歌学术搜索
19. p .钱,k .赵y江et al .,“Knowledge-leveraged转移模糊c均值纹理图像分割的自适应集群原型匹配,”以知识为基础的系统卷。130年,33-50,2017页。视图:出版商的网站|谷歌学术搜索
20. p .钱,c . Xi, m .徐et al .,“SSC-EKE: semi-supervised分类与广博的知识开发”,信息科学卷。422年,信息科学,2018。视图:出版商的网站|谷歌学术搜索
21. p .钱,美国的太阳,y江et al .,“跨域、软隔断集群与多样性度量和知识参考,”模式识别,50卷,第177 - 155页,2016年。视图:出版商的网站|谷歌学术搜索
22. p .钱,j .周y江et al .,“视点由共同利用最大熵聚类视图间协作和intra-view-weighted属性,“IEEE访问》第六卷,第28610 - 28594页,2018年。视图:出版商的网站|谷歌学术搜索
23. p .钱f·l·钟s . Wang和z邓,“快基于放松针对大型数据集的聚类使用最少的封闭球,”IEEE系统,人,控制论,B部分(控制论),42卷,不。3、672 - 687年,2012页。视图:谷歌学术搜索
24. 江y·d·吴z,邓et al .,“癫痫分类使用转移学习,从脑电图信号semi-supervised学习和TSK模糊系统,”IEEE神经系统和康复工程,25卷,不。12日,第2284 - 2270页,2017年。视图:出版商的网站|谷歌学术搜索
25. 江y, z邓,F.-L。钟et al .,“识别癫痫EEG信号的使用一种新颖的多视图TSK模糊系统,”IEEE模糊系统,25卷,不。1,3,2017页。视图:出版商的网站|谷歌学术搜索
26. 江y, f·l·钟s . Wang z邓,j . Wang和p .钱,“协作从多个加权模糊聚类视图,”IEEE控制论,45卷,不。4、688 - 701年,2014页。视图:谷歌学术搜索
27. 江y, f·l·钟h . Ishibuchi z邓,和王,“多任务TSK模糊系统建模通过挖掘任务间常见的隐藏的结构,“IEEE控制论,45卷,不。3、534 - 547年,2015页。视图:谷歌学术搜索
28. d·a·福赛斯和m .雀斑,“发现赤裸的人,”第四届欧洲计算机视觉学报》上,没有。2,页593 - 602,剑桥,英国,1996年4月。视图:谷歌学术搜索
29. M.-H。杨和n . Ahujia“高斯混合模型对人类皮肤颜色及其应用在图像和视频数据库,”有图片和视频数据库存储和检索卷。3656年,45 - 466年,1999页。视图:谷歌学术搜索
30. m·j·琼斯和j . m . Rehg”统计模型与应用程序肤色检测。”国际计算机视觉杂志》上,1卷,不。46岁,81 - 96年,2002页。视图:出版商的网站|谷歌学术搜索
31. c . Srisaan“互联网色情图片的分类,国际电子商务研究杂志》上,7卷,不。1,第104 - 95页,2016。视图:出版商的网站|谷歌学术搜索
32. j . a . m .巴西利奥·g·a·托雷斯g·s·佩雷斯et al .,“明确内容图像检测,”信号与图像处理,1卷,不。2,47-58,2011页。视图:谷歌学术搜索
33. 美国Karavarsamis: Ntarmos、k . Blekas和皮塔饼,“本地化皮肤roi检测色情图片,”国际期刊的数字犯罪和取证,5卷,不。1,39-53,2013页。视图:出版商的网站|谷歌学术搜索
34. x, c, s .姚明et al .,“成人基于裸体检测、图像识别算法”学报isec国际讨论会计算、通信、控制和管理IEEE,页197 - 200年,三亚,中国,2009年8月。视图:谷歌学术搜索
35. t . Deselaers l . Pimenidis h·奈伊,“成人图像分类和过滤,Bag-of-visual-words模型”19国际会议的程序模式识别IEEE,页1 - 4,2008年12月美国佛罗里达州坦帕市。视图:谷歌学术搜索
36. m·n·穆斯塔法”应用深度学习分类色情图片和视频,”《环太平洋电脑图像和视频技术,PSIVT2015年11月,奥克兰,新西兰。视图:谷歌学术搜索
37. NPDI色情数据库,2013,https://sites.google.com/site/pornograohydatabase/。
38. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet classsificaton深卷积神经网络,”先进的神经信息处理系统,少量的酒,太浩湖,NV,美国,2012年。视图:谷歌学术搜索
39. c . Szegedy w·刘,y贾et al .,“要更深的曲线玲珑,”《IEEE计算机视觉与模式识别会议(CVPR),页1 - 9,IEEE,波士顿,MA,美国,2015年6月。视图:谷歌学术搜索
40. 的摄影记者j . Wehrmann g s r·c·巴罗斯和v . f . Cavalcante“成人内容检测与卷积和复发性神经网络视频,”Neurocomputing,卷272,不。272年,第438 - 432页,2018年。视图:出版商的网站|谷歌学术搜索
41. m·佩雷斯·s·阿维拉,d . Moreira et al .,“色情视频检测通过深度学习技术和运动信息,“Neurocomputing,卷230,不。230年,第293 - 279页,2017年。视图:出版商的网站|谷歌学术搜索
42. 诉Vapnik,统计学习理论的本质斯普林格出版社,柏林,德国,1995年。
43. l·v·富尔顿,d . Dolezel j . Harrop所说,y(音)和c·p·富尔顿,”阿尔茨海默病的分类使用和不使用梯度图像提高了机器和ResNet-50,”大脑科学,9卷,不。9日,2019年。视图:出版商的网站|谷歌学术搜索
44. 即Amerini C.-T。李,r . Caldelli“社交网络通过图像识别分类与CNN,“IEEE访问7卷,第35273 - 35264页,2019年。视图:出版商的网站|谷歌学术搜索
45. 答:美国赫斯和j·r·赫斯“主成分分析”,输血,卷。58岁的没有。7,1580 - 1582年,2018页。视图:出版商的网站|谷歌学术搜索
46. z l .谢j·李,曾庆红,和美国克鲁格,“块自适应核主成分分析的非线性过程监控,“AIChE杂志,卷62,不。12日,第4345 - 4334页,2016年。视图:出版商的网站|谷歌学术搜索
47. 王x, y周m . Zhang j .朱r .郑问:吴,“MPCE:基于最大概率交叉熵损失函数神经网络分类,“IEEE访问7卷,第146341 - 146331页,2019年。视图:出版商的网站|谷歌学术搜索
48. h . Nezamabadi-pour和大肠Kabir”,使用直方图的图像检索uni-color和双色块和定向强度梯度的变化,“模式识别的字母,25卷,不。14日,第1557 - 1547页,2004年。视图:出版商的网站|谷歌学术搜索
49. Kolar z: h·陈,x罗,“转移学习和深卷积神经网络安全护栏在2 d图像检测,”自动化建设卷。89年,58 - 70、2018页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020张曹元杰。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。