基于弱监督网络的语义分析识别方法和系统技术方案

【技术实现步骤摘要】 基于弱监督网络的语义分析识别方法和系统

[0001]本申请涉及网络多媒体领域，尤其涉及一种基于弱监督网络的语义分析识别方法和系统。

技术介绍

[0002]现有文本识别分析技术实时性较差，分析精度与效率也比较低，无法及时处理大量数据。将现有文本识别分析方法应用到网络敏感数据保护中，就会遇到无法克服的困难。[0003]因此，急需一种针对性的基于弱监督网络的语义分析识别方法和系统。

技术实现思路

[0004]本专利技术的目的在于提供一种基于弱监督网络的语义分析识别方法和系统，通过计算每一帧的直方图在梯度方向的特征值，找到跳跃点启动弱监督网络模型，使用弱监督网络架构快速处理数据流，有效降低数据处理的错误值，并行输入语义分析模型和图形分析模型，判断多媒体数据流是否涉及敏感，进而限制敏感数据的使用。[0005]第一方面，本申请提供一种基于弱监督网络的语义分析识别方法，所述方法包括：[0006]获取多媒体数据流，计算每一帧的直方图在梯度方向的特征值，当所述帧与帧之间的所述特征值之差大于预设的阈值时，启动弱监督网络模型，所述弱监督网络模型包括若干个输入层、隐藏层和输出层；[0007]将所述多媒体数据流输入所述弱监督网络模型的输入层，经过当前时刻的隐藏层赋值，从输出层输出第一结果，所述第一结果与下一时刻的隐藏层汇总，输入到下一个输入层，如此反复直至所有层使用完毕，得到所述弱监督网络模型的输出结果，即为第二结果；[0008]将所述第二结果输入语义分析模型，逐个帧分析包含的文字信息，获取文本字符的字段值，调用分词器将所述字段值分解为单词和单词属性，将所述单词和单词属性与词库进行匹配，判定出字段值是否为地址、姓名或公司名称，得出第一判断结果；[0009]将所述第二结果并行输入图形分析模型，逐个帧识别包含的物体信息，获取关键物体特征，判断该帧是否包括敏感的图形内容、以及所述物体信息是否与所述第一判断结果匹配，得出第二判断结果；[0010]根据所述第一判断结果和第二判断结果，确定所述多媒体数据流的帧是否涉及敏感，如果是则将当前多媒体数据流单独加密存储；反之则允许任意使用该多媒体数据流。[0011]结合第一方面，在第一方面第一种可能的实现方式中，所述直方图在梯度方向的特征值包括检测图像的灰度质心位置的变化。[0012]结合第一方面，在第一方面第二种可能的实现方式中，如果判定多媒体数据流为敏感数据，则会限制其使用范围。[0013]结合第一方面，在第一方面第三种可能的实现方式中，所述语义分析模型和图形分析模型的内核均使用神经网络模型。[0014]第二方面，本申请提供一种基于弱监督网络的语义分析识别系统，所述系统包括处理器以及存储器：[0015]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；[0016]所述处理器用于根据所述程序代码中的指令执行第一方面四种可能中任一项所述的方法。[0017]第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面四种可能中任一项所述的方法。[0018]本专利技术提供一种基于弱监督网络的语义分析识别的方法和系统，通过计算每一帧的直方图在梯度方向的特征值，找到跳跃点启动弱监督网络模型，使用弱监督网络架构快速处理数据流，有效降低数据处理的错误值，并行输入语义分析模型和图形分析模型，判断多媒体数据流是否涉及敏感，进而限制敏感数据的使用。附图说明[0019]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。[0020]图1为本专利技术方法的流程图。具体实施方式[0021]下面结合附图对本专利技术的优选实施例进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。[0022]图1为本申请提供的基于弱监督网络的语义分析识别方法的流程图，包括：[0023]获取多媒体数据流，计算每一帧的直方图在梯度方向的特征值，当所述帧与帧之间的所述特征值之差大于预设的阈值时，启动弱监督网络模型，所述弱监督网络模型包括若干个输入层、隐藏层和输出层；[0024]将所述多媒体数据流输入所述弱监督网络模型的输入层，经过当前时刻的隐藏层赋值，从输出层输出第一结果，所述第一结果与下一时刻的隐藏层汇总，输入到下一个输入层，如此反复直至所有层使用完毕，得到所述弱监督网络模型的输出结果，即为第二结果；[0025]将所述第二结果输入语义分析模型，逐个帧分析包含的文字信息，获取文本字符的字段值，调用分词器将所述字段值分解为单词和单词属性，将所述单词和单词属性与词库进行匹配，判定出字段值是否为地址、姓名或公司名称，得出第一判断结果；[0026]将所述第二结果并行输入图形分析模型，逐个帧识别包含的物体信息，获取关键物体特征，判断该帧是否包括敏感的图形内容、以及所述物体信息是否与所述第一判断结果匹配，得出第二判断结果；[0027]根据所述第一判断结果和第二判断结果，确定所述多媒体数据流的帧是否涉及敏感，如果是则将当前多媒体数据流单独加密存储；反之则允许任意使用该多媒体数据流。[0028]在一些优选实施例中，所述直方图在梯度方向的特征值包括检测图像的灰度质心位置的变化。[0029]在一些优选实施例中，所如果判定多媒体数据流为敏感数据，则会限制其使用范围。[0030]在一些优选实施例中，所述语义分析模型和图形分析模型的内核均使用神经网络模型。[0031]本申请提供一种基于弱监督网络的语义分析识别系统，所述系统包括：所述系统包括处理器以及存储器：[0032]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；[0033]所述处理器用于根据所述程序代码中的指令执行第一方面所有实施例中任一项所述的方法。[0034]本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所有实施例中任一项所述的方法。[0035]具体实现中，本专利技术还提供一种计算机存储介质，其中，该计算机存储介质可以存储有程序，该程序执行时可包括本专利技术各个实施例中的部分或全部步骤。所述的存储介质可以为磁碟、光盘、只读存储记忆体(简称：ROM)或随机存储记忆体(简称：RAM)等。[0036]本领域的技术人员可以清楚地了解到本专利技术实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本专利技术实施例中的技术方案本质上或者对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设本文档来自技高网...

【技术保护点】

【技术特征摘要】 1.一种基于弱监督网络的语义分析识别方法，其特征在于，所述方法包括：获取多媒体数据流，计算每一帧的直方图在梯度方向的特征值，当所述帧与帧之间的所述特征值之差大于预设的阈值时，启动弱监督网络模型，所述弱监督网络模型包括若干个输入层、隐藏层和输出层；将所述多媒体数据流输入所述弱监督网络模型的输入层，经过当前时刻的隐藏层赋值，从输出层输出第一结果，所述第一结果与下一时刻的隐藏层汇总，输入到下一个输入层，如此反复直至所有层使用完毕，得到所述弱监督网络模型的输出结果，即为第二结果；将所述第二结果输入语义分析模型，逐个帧分析包含的文字信息，获取文本字符的字段值，调用分词器将所述字段值分解为单词和单词属性，将所述单词和单词属性与词库进行匹配，判定出字段值是否为地址、姓名或公司名称，得出第一判断结果；将所述第二结果并行输入图形分析模型，逐个帧识别包含的物体信息，获取关键物体特征，判断该帧是否包括敏感的图形内容、以及所述物体信息是否与所述第一判断结果匹配，得出第二判断结果；根据所述第一判断结果和第二判断结果，确定...

【专利技术属性】 技术研发人员：苏长君，曾祥禄， 申请(专利权)人：北京智美互联科技有限公司， 类型：发明 国别省市：