深度学习图像算法在内容安全领域的应用实践和优化

学习图像算法近年来在学术领域经历了爆发式的发展，目前已经在工业界多个实际场景取得了较完整的应用落地，例如安防、营销、娱乐、金融等场景。其中内容安全也是非常典型的落地案例，深度学习图像算法在鉴黄鉴暴、广告识别、违禁拦截、敏感人物过滤等方向都取得了不错的应用效果。

 算法自动识别一方面可以全面减轻人工审核投入，另一方面可以更有效率、更快速地对信息进行判断。本篇分享将会介绍如何快速搭建深度学习图像算法服务以及在图像算法优化方面的经验。

内容安全领域是一个相对特殊的场景，我们面对的问题往往目标定义不明确，数据种类繁杂多变、图像质量差距大，还会经常面临对抗攻击，这一场景对算法能力的要求较高。相比较而言，在2C营销场景中，例如手机扫描商品/图标，对用户来说召回能力相对重要一些，误判在使用过程中不容易被发现；在门禁考勤场景中，由于摄像头采集到的图像质量较高，算法需要解决的是限定图片质量范围内的效果问题。

而在内容安全领域，由于线上数据正常比例较高，且图像类型众多，误判问题非常容易集中体现；另一方面，由于UGC图像质量参差不齐，图像敏感特征往往不够明显，小目标、模糊、形变等问题较常出现。伴随内容安全业务的发展，我们深入探索了深度学习图像算法在这个领域内的应用，在实际场景中取得了预期效果。

深度学习算法已经成为图像算法中的重要组成部分，深度学习相关公开资源已经非常丰富，针对图像任务创建一个简单模型是十分容易上手的，这里将会展示如何快速搭建一个深度学习图像分类服务。

我们以场景识别为例子，即根据图像全局信息判断拍摄场景，例如泳池、车内、公寓等。我们可以选取公开数据集places365用于模型训练]，通过Tensorflow-slim接口进行图像分类模型训练[2]，最终使用常见服务框架将算法服务进行透出。

其中数据方面仅以公开数据为例，实际应用中需要以业务数据为主。模型训练采用的框架可以选择Tensorflow\Keras、Mxnet\Gluon、Pytorch、Chainer等。随着深度学习框架的逐步发展，训练便捷性越来越高，相比较而言Tensorflow-slim也不算特别友好，但其代码组织思路和拓展性还是很值得借鉴的。