图片与文本过滤技术在信息监控中的应用研究

发布时间：2021-02-07 17:35

　　随着通信网络的迅速发展以及智能终端用户的快速增长,短信、彩信、微博、QQ、微信等即时信息发布工具被广泛普及应用,它们都具有使用便捷、传播速度快的优点。其中,除短信之外的其它工具都可以同时携带图片信息和文本信息,因而得到更多的应用。然而,由于信息来源的多样化与随意性,其所携带的内容往往包含有不良的图片与文本信息。为此,必须采用基于内容的信息过滤手段,对图片与文本内容进行识别、提取、分析,实现不良信息的监测过滤。传统的信息监控分析模式,一般是基于软件自动监测加人工审核来实现,其在响应速度、处理效率、人工成本等方面存在先天缺陷。现代自动监控分析技术主要基于各种机器学习算法,可以较好地解决传统模式的问题,但是面对如今更为复杂的海量信息以及特定的应用场景,它们在成本和性能方面也往往难以令人满意。此外,计算环境和自然语言处理技术的不断完善,为信息自动检测与过滤技术的深入研究与应用奠定了良好的基础。为此,本文首先对目前常用的图片信息和文本信息监测分析算法进行了深入研究分析;在此基础上,对两种CNN模型VGG19和ResNet 50在不良图像内容识别中的性能进行分析比对和测试验证,并选择性能较好的Re... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

常见的CNN分类模型结构

第 2 章 相关理论与技术级特征，如边缘、线条等特征信息，越往后更高层的卷积层对应的初始输入的感受野较大，能够提取更高级复杂的特征，这些特征更利于模型进行分类或回归任务。卷积层数学表达如下： = (∑ 1 ∈ + ) (2.1)其中 z 是卷积层输出的特征图，f 是激活函数， 是输入层感受区域，x 是特征图参数，l 代表层数， 代表卷积操作。卷积层的操作过程如图 2.2 所示：

第 2 章 相关理论与技术区域进行池化操作。但由于这种下采样比较暴力，容易丢失图像信息，因此一般都是经过几个卷积层之后再池化操作。池化层操作如图 2.3 所示。常用的池化方法通常有均值池化即对局部连接区域中所以点求均值、随机池化即随机选取局部连接区域中某一点同时该点值的大小和选中概率成正比以及最大池化即取局部连接区域中值最大的点等等。

【参考文献】：
期刊论文
[1]网络不良图片识别技术研究[J]. 王宏宇.  电脑知识与技术. 2018(12)
[2]基于卷积核分解的深度CNN模型结构优化及其在小图像识别中的应用[J]. 罗富贵,李明珍.  井冈山大学学报(自然科学版). 2018(02)
[3]结合批归一化的直通卷积神经网络图像分类算法[J]. 朱威,屈景怡,吴仁彪.  计算机辅助设计与图形学学报. 2017(09)
[4]基于神经网络的微博虚假消息识别模型[J]. 段大高,谢永恒,盖新新,刘占斌.  信息网络安全. 2017(09)
[5]分析式纹理合成技术及其在深度学习的应用[J]. 李宏林.  计算机技术与发展. 2017(11)
[6]卷积神经网络在图形处理GPU芯片上的优化[J]. 沈恬,胡飞.  集成电路应用. 2017(06)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[8]利用深度置信网络的中文短信分类[J]. 王贵新,郑孝宗,张浩然,张小川.  现代电子技术. 2016(09)
[9]基于word2vec的关键词提取算法[J]. 李跃鹏,金翠,及俊川.  科研信息化技术与应用. 2015(04)
[10]中文文本分类技术比较研究[J]. 胡龙茂.  安庆师范学院学报(自然科学版). 2015(02)

博士论文
[1]垃圾短信过滤关键技术研究[D]. 黄文良.浙江大学 2008

硕士论文
[1]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[2]基于云计算的智能手机信息过滤系统[D]. 孙巧萍.南京邮电大学 2016
[3]基于支持向量机的垃圾短信监控系统的设计与实现[D]. 杨丹丹.吉林大学 2016
[4]基于深度学习的图像识别应用研究[D]. 周凯龙.北京工业大学 2016
[5]基于感兴趣区域检测的网络不良图片识别研究[D]. 陈骁.南京航空航天大学 2016
[6]基于维基百科的中文跨文本指代消解研究[D]. 徐晓梅.苏州大学 2014
[7]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
[8]基于VSM的文本分类系统的设计和实现[D]. 孔振.哈尔滨工业大学 2014
[9]基于内容的垃圾短信过滤技术研究[D]. 马楠.北京邮电大学 2014
[10]中文维基百科的结构化信息抽取及词语相关度计算[D]. 张红春.华中师范大学 2011



本文编号：3022575