【摘要】：隨著科技的不斷發(fā)展,互聯(lián)網(wǎng)上的信息呈現(xiàn)出爆炸式增長(zhǎng)的局面,但信息質(zhì)量良莠不齊,其中色情圖片、廣告圖片、反動(dòng)類圖片等影響尤為惡劣。如何有效遏制不良信息在互聯(lián)網(wǎng)的瘋狂傳播已成為一個(gè)亟待解決的問題。一方面,傳統(tǒng)治理方法主要是依據(jù)圖像淺層信息,在圖片數(shù)量和樣式日益增加的情況下,各類模型的表現(xiàn)均受到了限制和挑戰(zhàn)。另一方面,由于圖像型垃圾郵件自身的敏感性和特殊性,傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)模型并不能在這類圖像上取得出色表現(xiàn),新的網(wǎng)絡(luò)結(jié)構(gòu)和設(shè)計(jì)仍需要進(jìn)一步探索。本論文致力于圖像型垃圾郵件分類問題的研究,主要是根據(jù)垃圾郵件中包含的圖像判斷垃圾郵件的類別。相對(duì)于已經(jīng)公開的垃圾圖像數(shù)據(jù)集,本文從圖像型垃圾中收集、整理了全新的數(shù)據(jù)集,一共有垃圾圖片五萬(wàn)余張,分為七個(gè)不同類別,滿足深度學(xué)習(xí)實(shí)驗(yàn)所需。本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)和支持向量機(jī)(Support Vector Machine, SVM)的級(jí)聯(lián)分類模型,并引入二次分類模型,提出了一種深度學(xué)習(xí)方法在圖像型垃圾郵件分類任務(wù)中的應(yīng)用方案。通過遷移學(xué)習(xí)和支持向量機(jī)的引入,改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)在模型結(jié)構(gòu)和參數(shù)訓(xùn)練過程中都發(fā)生了很大變化。相比于原始的卷積神經(jīng)網(wǎng)絡(luò)及卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的簡(jiǎn)單串聯(lián)模型,改進(jìn)后的級(jí)聯(lián)模型在垃圾郵件圖像數(shù)據(jù)集上有更好的分類表現(xiàn);對(duì)于第二層分類模型,本文給出了第一級(jí)分類模型的分類效果和仍未解決的問題,根據(jù)實(shí)際情況給出了相關(guān)分析,通過對(duì)比實(shí)驗(yàn)最終找到了一個(gè)魯棒性和區(qū)分能力都較好的局部特征,并設(shè)計(jì)了相關(guān)實(shí)驗(yàn)證明特征選擇及模型設(shè)計(jì)的有效性。最后,本文針對(duì)現(xiàn)有模型的性能表現(xiàn)給予了客觀評(píng)價(jià),還對(duì)后續(xù)工作給出了可能深入的研究和改進(jìn)的方向。
[Abstract]:With the continuous development of science and technology, the information on the Internet has an explosive growth situation, but the quality of information is mixed, including pornographic pictures, advertising pictures, reactionary pictures and so on. How to effectively curb the spread of bad information in the Internet has become a problem to be solved. On the one hand, the traditional governance methods are mainly based on the shallow information of images. With the increasing number and style of images, the performance of all kinds of models is restricted and challenged. On the other hand, because of the sensitivity and particularity of image spam, the traditional in-depth learning network model can not achieve a good performance on this kind of images, and the new network structure and design still need to be further explored. This paper focuses on the classification of image spam, mainly based on the images contained in spam to determine the category of spam. Compared with the published garbage image data set, this paper collects and arranges a new data set from image garbage. There are more than 50,000 garbage images, which can be divided into seven different categories to meet the needs of in-depth learning experiments. In this paper, a concatenated classification model based on convolution neural network (Convolutional Neural Network, CNN) and support vector machine (Support Vector Machine, SVM) is proposed, and a quadratic classification model is introduced. This paper presents an application scheme of depth learning in image spam classification. With the introduction of migration learning and support vector machine, the improved convolution neural network has changed greatly in the process of model structure and parameter training. Compared with the original convolution neural network, convolution neural network and the simple series model of support vector machine, the improved cascade model has better classification performance on the spam image data set. For the second level classification model, this paper gives the classification effect of the first level classification model and the unsolved problem, and gives the correlation analysis according to the actual situation. Finally, a local feature with good robustness and distinguishing ability is found through comparative experiments, and relevant experiments are designed to prove the effectiveness of feature selection and model design. Finally, this paper gives an objective evaluation of the performance of the existing models, and gives a possible direction for further research and improvement.
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP393.098;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃炯;圖像邊緣處理[J];電視字幕(特技與動(dòng)畫);2000年09期

2 劉建忠;;圖像邊緣的數(shù)學(xué)結(jié)構(gòu)分析[J];軟件;2011年05期

3 陳文兵;張小磊;;基于圖像邊緣的能見度計(jì)算方法[J];微型電腦應(yīng)用;2009年04期

4 曾友州;胡瑩;曾偉一;鄭曉霞;;提取數(shù)字圖像邊緣的算法比較[J];成都航空職業(yè)技術(shù)學(xué)院學(xué)報(bào);2009年04期

5 潘衛(wèi)國(guó);鮑泓;何寧;;一種傳統(tǒng)中國(guó)書畫圖像的二分類方法[J];計(jì)算機(jī)科學(xué);2012年03期

6 周濤;陸惠玲;拓守恒;馬競(jìng)先;楊德仁;;基于非凸區(qū)域下近似的圖像邊緣修補(bǔ)算法[J];寧夏大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

7 唐亮;唐娉;閻福禮;鄭柯;;HJ-1 CCD圖像自動(dòng)幾何精糾正系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)應(yīng)用;2012年S2期

8 宋建中;;噴霧圖像的自動(dòng)分析[J];光學(xué)機(jī)械;1988年04期

9 張錦華;孫挺;;引入像點(diǎn)融合度修補(bǔ)的圖像邊緣化參差拼接實(shí)現(xiàn)[J];微電子學(xué)與計(jì)算機(jī);2014年08期

10 張曉清;;摳圖另一法[J];數(shù)字世界;2002年11期

相關(guān)會(huì)議論文 前10條

1 陸成剛;陳剛;張但;閔春燕;;圖像邊緣的優(yōu)化模型[A];'2002系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)論文集（第四卷）[C];2002年

2 王偉凝;余英林;張劍超;;圖像的動(dòng)感特征分析[A];第一屆中國(guó)情感計(jì)算及智能交互學(xué)術(shù)會(huì)議論文集[C];2003年

3 韓焱;王明泉;宋樹爭(zhēng);;工業(yè)射線圖像的退化與恢復(fù)方法[A];新世紀(jì) 新機(jī)遇 新挑戰(zhàn)——知識(shí)創(chuàng)新和高新技術(shù)產(chǎn)業(yè)發(fā)展（下冊(cè)）[C];2001年

4 王強(qiáng);王風(fēng);;一種保持圖像幾何特征的去噪模型[A];中國(guó)通信學(xué)會(huì)第五屆學(xué)術(shù)年會(huì)論文集[C];2008年

5 王培珍;楊維翰;陳維南;;圖像邊緣信息的融合方案研究[A];中國(guó)圖象圖形學(xué)會(huì)第十屆全國(guó)圖像圖形學(xué)術(shù)會(huì)議（CIG’2001）和第一屆全國(guó)虛擬現(xiàn)實(shí)技術(shù)研討會(huì)（CVR’2001）論文集[C];2001年

6 李大鵬;禹晶;肖創(chuàng)柏;;圖像去霧的無(wú)參考客觀質(zhì)量評(píng)測(cè)方法[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

7 孟晉麗;張毅;金林;;圖像中混合噪聲的小波域?yàn)V除方法[A];2007'儀表，自動(dòng)化及先進(jìn)集成技術(shù)大會(huì)論文集（一）[C];2007年

8 漆琳智;張超;吳向陽(yáng);;引導(dǎo)濾波的單幅圖像前景精確提取[A];浙江省電子學(xué)會(huì)2013學(xué)術(shù)年會(huì)論文集[C];2013年

9 張明慧;;基于模糊蒙片算法的CR圖像邊緣增強(qiáng)[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（1）[C];2008年

10 王亮亮;李明;高昕;;強(qiáng)模糊空間目標(biāo)圖像邊緣獲取方法研究[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 吳飛;無(wú)邊距照片打印三部曲[N];中國(guó)電腦教育報(bào);2003年

2 艾思平翻譯;視頻編碼軟件CCE SP2操作指南(9)[N];電子報(bào);2009年

3 ;B超術(shù)語(yǔ)解釋[N];農(nóng)村醫(yī)藥報(bào)（漢）;2008年

4 ;圖像質(zhì)量調(diào)整秘技[N];電腦報(bào);2001年

5 馬駿睿 皓月;制作版畫效果圖片[N];中國(guó)攝影報(bào);2007年

6 欣語(yǔ);ICT讓英國(guó)警署內(nèi)部數(shù)據(jù)“滴水不漏”[N];人民郵電;2010年

7 艾思平翻譯;視頻編碼軟件CCE SP2操作指南(14)[N];電子報(bào);2009年

8 ;如何在虛擬市場(chǎng)中把握商機(jī)[N];國(guó)際商報(bào);2000年

9 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

10 西安 張正倉(cāng);I~（2）C總線控制的HG-2220AV液晶屏視頻信號(hào)驅(qū)動(dòng)板[N];電子報(bào);2003年

相關(guān)博士學(xué)位論文 前10條

1 梁福來(lái);低空無(wú)人機(jī)載UWB SAR增強(qiáng)成像技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

2 周靜;基于憶阻器的圖像處理技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 賈茜;基于時(shí)—空域插值的圖像及視頻上采樣技術(shù)研究[D];武漢大學(xué);2014年

4 李照奎;人臉圖像的魯棒特征表示方法研究[D];武漢大學(xué);2014年

5 郝紅星;基于干涉相位圖像構(gòu)建數(shù)字高程模型的關(guān)鍵技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

6 楊小義;圖像特征識(shí)別算法及其在聾人視覺識(shí)別中的應(yīng)用研究[D];重慶大學(xué);2015年

7 王玉明;SAR圖像地雷場(chǎng)檢測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

8 溫景陽(yáng);圖像大容量、低失真可逆信息隱藏技術(shù)研究[D];蘭州大學(xué);2015年

9 李林;基于概率圖模型的圖像整體場(chǎng)景理解方法研究[D];電子科技大學(xué);2014年

10 馮景;基于SAR圖像的海面溢油檢測(cè)研究[D];北京理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 尚爾昕;基于深度學(xué)習(xí)的圖像型垃圾郵件分類[D];北京郵電大學(xué);2017年

2 趙飛;基于神經(jīng)網(wǎng)絡(luò)和圖像顯著性的心臟圖像自動(dòng)分割算法研究[D];北京交通大學(xué);2017年

3 李鵬遠(yuǎn);圖像檢索算法研究及其在互聯(lián)網(wǎng)教育中的應(yīng)用[D];華南理工大學(xué);2015年

4 萬(wàn)燕英;微聚焦X-ray圖像自適應(yīng)正則化去噪方法[D];華南理工大學(xué);2015年

5 毛雙艷;基于梯度域的圖像風(fēng)格化渲染方法的研究及其應(yīng)用[D];華南理工大學(xué);2015年

6 向訓(xùn)文;RGB-D圖像顯著性檢測(cè)研究[D];華南理工大學(xué);2015年

7 曾旭;基于聚類和加權(quán)非局部的圖像稀疏去噪方法研究[D];天津理工大學(xué);2015年

8 熊楊超;圖像美學(xué)評(píng)價(jià)及美學(xué)優(yōu)化研究[D];華南理工大學(xué);2015年

9 王艷;圖像視覺顯著性檢測(cè)方法及應(yīng)用的研究[D];華南理工大學(xué);2015年

10 鄭露萍;圖像二階微分特征提取及人臉識(shí)別應(yīng)用研究[D];昆明理工大學(xué);2015年

，

本文編號(hào)：2372639