圖像識別鑒黃之二「阿里綠網VS網易易盾VS圖普科技」

由於第一次發文章不懂規矩，發的圖含有涉黃內容，被管理員「建議」修改。第一次發文本著反映客觀事實的原則，把用來測試的黃圖也貼到文章來了，結果就這樣。這次為了避免重蹈覆轍，不在用黃圖測試，改用「正常」圖測試，結果還是發現各智能鑒黃的不足之處。希望這次管理員大大不要再「建議」修改了。

細心的知友可能會發現，之前的題目里還有個「騰訊萬象」，而這次卻沒有。因為經過上次的測試，發現騰訊萬網幾乎不具備鑒黃能力，所以直接被我排除出PK隊列。如果有知友表示懷疑，可以自行搜騰訊萬象，用幾張黃圖測試下便知。

下面是用來測試的圖片10張：

沒錯就是10張嬰兒圖片，將這類圖片歸於非色情類圖片應該不會有太大爭議的吧。鑒於第一次沒有評分標準，難以客觀打分問題。這次建立一個相對客觀的評分標準：每張圖10分，標準答案為非色情，即智能判斷為色情不得分，判斷為非色情或性感可得分。之所以這次只用10張圖，因為網易易盾一次最多只能上傳10張圖，為了截圖方便。當然，10張圖測試量實在有點少，並不能很好的分出高下。而本人的意圖也不是要證明誰家做得最好，只為了揭示神經網路智能鑒黃的缺陷，並由此提出一些改進的建議。

第一個是「阿里綠網」的測試結果：

這裡說明下，為了避免肖像權問題，特意把眼睛部位做了處理。實際測試是不做任何處理的，所有圖片都是直接從網上下載的。請不要問我在哪裡下載的，需要原圖的知友可以私信找我要。

阿里綠網的上傳界面明明顯示可以上傳100張圖片，但實際上一次只能識別50張圖，超過50張的部分檢測結果都是0。

阿里綠網得分是70分。從測試結果可以看出，目前的鑒黃系統面對一些特殊的圖，還是不能正確鑒定。

第二個是「網易易盾」的測試結果：

網易易盾的得分是70分。同樣的，也會將非色情圖片鑒定為色情，只是跟阿里綠網的鑒定有點不一樣罷了。

最後是「圖普科技」的測試結果，由於圖普科技將結果分成3塊顯示，一次截圖不完整，所以分3次截圖：

需要特別說明的是，圖普科技上傳界面顯示可以上傳多張圖片。於是我測試了一下，想知道到底一次最多可以檢測多少張圖。第一次上傳290多張圖，居然全部檢測出來。第二次上傳了590多張圖，這次終於不行了，一直顯示檢測中。所以，初步判斷圖普科技一次可以檢測300到500張圖，這已經很6了，值得肯定。

圖普科技的得分是80分。但是他們的測試結果中「色情」部分跟另外兩家完全不一樣，而且從圖片內容來看，非常匪夷所思。

從上面的得分來看，圖普科技第一，阿里綠網和網易易盾並列第二。本次排名並不能真實體現他們之間的優劣，僅說明他們在嬰兒圖片這方面的欠缺。

本人只是初步了解神經網路，對神經網路並不是非常熟悉，有不當的地方請指正。

目前的神經網路可能基本都跟下面的圖差不多，可能只是隱藏層數量上不一樣而已。不妨把下圖看作圖片鑒黃的神經網路。每個小圓圈代表一個神經元，每個神經元都有自己的權值。同一層的神經元是並列關係，根據他們的權值大小，決定他們輸出值的權重。他們的權值也會直接體現在輸出結果中，輸出值實際上就是數字。通過大量的圖片學習只是改變每個神經元的權值，使得輸出結果不斷接近標準值。阿里綠網也好，網易易盾也好、圖普科技也好，他們的神經網路深度學習原理都一樣。他們的輸出結果的不同，實際上是因為他們用來訓練的素材不同，導致了神經元的權值矩陣有所差異。

從神經網路的角度來看，他們之所以出現如此類似的問題，是因為他們對所有類型圖片判斷標準是一致的。不管你用什麼樣的圖片，他們都只是將其劃分為「色情」、「非色情」、「性感」三類而已。但是現實世界中並不是所有的東西都能分得那麼清楚，總會有許多含糊不清的東西存在。就像三原色圖一樣，事物之間往往都會存在許多交集。

所以，用目前的神經網路思維，想用多維空間函數來將事物簡單的劃分為幾個類，是不現實的。無論用多大量的圖片去訓練神經網路，結果都會出現漏洞。因為，從基本原理層面來講，已經是行不通的。

個人認為，目前的神經網路處於「神經」階段或者說「盲目」階段。因為，神經網路的搭建者都無法知道神經網路到底會學習到什麼程度，也無法準確地達到設計目的。甚至搭建者都不清楚神經網路是怎麼實現識別能力。也就是說，神經網路正處於盲目探索的階段。對於下階段的神經網路，本人有些建議。

就圖像鑒黃而言，如下圖所示，如果能夠實現先分類，再鑒黃，那麼結果的準確度將會大大提升。現實中，圖片本來就分很多類型，而且還會存在未知的類型。真的不同類型的圖片，也應該有不同鑒黃標準。與之前提到的神經網路相比，最大的不同是，每個神經元應該有明確的功能，有明確的分工與合作關係。而這裡的每個小圓圈也不局限於單個神經元，而是能實現某一具體功能的神經網路或神經元。在神經網路訓練階段，如果鑒定結果不符合，那麼也可以根據圖片快速地找到問題出在哪裡。從而有針對性地對那個「神經元」進行權值調整，而不是盲目的對整個神經網路的權值進行調整。如此，將大大提高神經網路學習的效率和準確度。

當然，以上鑒黃模型並不絕對，針對不同應用場合可以有不同的結構。圖片鑒黃只是圖片識別技術一個很小的細分支而已，圖片識別能做到的情還多著呢。下圖也只是提出部分圖片識別的應用而已，未來的神經網路將會像今天的互聯網一樣，深入到人類生活的方方面面。當然，神經網路應是人類的輔助工具，不應該用來取代人類。

版權所有，轉載請註明出處。
推薦閱讀：