基于加权多示例学习的色情图像识别
计算机视觉与模式识别
2022-09-27 v1
摘要
在互联网时代，识别色情图像对于保护儿童身心健康具有重要意义。然而，该任务极具挑战性，因为图像中的关键色情内容（如乳房和私处）通常位于较小的局部区域。在本文中，我们将每幅图像建模为一个区域包，并遵循多示例学习（MIL）方法来训练通用的基于区域的识别模型。具体而言，我们考虑了区域的色情程度，并做出了三项主要贡献。首先，我们表明，基于训练图像中关键色情内容的极少标注，可以生成一组尺寸合适的区域，其中潜在的阳性区域通常包含有助于识别的有效上下文。其次，我们提出了一种简单的区域色情程度定量度量方法，可用于权衡阳性图像中不同区域的重要性。第三，我们在卷积神经网络框架下将识别任务表述为加权MIL问题，并引入包概率函数来结合不同区域的重要性。在我们新收集的大规模数据集上的实验证明了所提方法的有效性，在10万张色情图像和10万张正常图像上进行测试，实现了97.52%真阳性率和1%假阳性率的准确率。
引用
@article{arxiv.1902.03771,
title = {Pornographic Image Recognition via Weighted Multiple Instance Learning},
author = {Jin Xin and Wang Yuhui and Tan Xiaoyang},
journal= {arXiv preprint arXiv:1902.03771},
year = {2022}
}
备注
9 pages, 3 figures