随着互联网技术和通信技术的高速发展,互联网中每天产生的图像、视频数据呈指数级增长。然而,在海量的图像、视频数据中,内容质量良莠不齐,如何利用图像分类技术实现对互联网中不良图像的过滤,成为当前计算机视觉领域的研究热点之一。在互联网中绝大多数图像都是正常图像,但也充斥着小比例的不良图像,为了净化互联网环境,网络运营商需要对网络中的不良图像进行过滤。本论文的研究项目侧重于过滤网络不良图像中的色情图像,难点在于对色情图像与性感图像进行准确区分。在网络运营商不同计算平台、不同监管政策的多种特殊场景中,为了满足其要求,做出以下主要工作:(1)设计轻量级卷积神经网络(Convolutional Neural Network,CNN)模型——LCNet(Lightweight Classification Network),并建立不良图像分类数据集。本模型主要针对细粒度图像分类的特点,在CNN中应用了视觉注意力机制、协方差池化等算法,增强模型的细粒度图像分类能力。本论文利用图像标注平台,自建用于不良图像分类的数据集,LCNet模型利用此数据集训练之后,可以实现网络不良图像的实时过滤。(2)利用轻量级图像分类模型,设计双线性图像分类模型BCNN(Bilinear Convolutional Neural Network),并利用自训练算法提高其图像分类性能。LCNet模型在图像分类性能和计算量两个维度上实现了较好的平衡,但是为了获得更高的不良图像分类精度,设计BCNN模型将两个轻量级图像分类模型提取的特征进行双线性池化,利用池化后的特征进行图像分类。自训练算法属于半监督学习,使用自训练算法进行迭代训练,可以充分利用未标记的图像数据,进一步提高模型的图像分类能力。(3)利用知识蒸馏算法和整数量化算法进行模型压缩。LCNet模型计算量小,BCNN模型图像分类精度高,使用蒸馏算法,将BCNN模型作为教师模型,将LCNet模型作为学生模型,可以使LCNet模型学习到接近BCNN模型的图像分类性能。为了将LCNet模型应用到对计算量及其敏感的场景,对其进行整数量化,使得模型在推理阶段使用整数运算代替浮点数运算,从而降低模型的计算量。论文提出的模型已在实际生产环境中部署并使用,取得了较好的效果。后续将在尽量不损失准确率和召回率的条件下,继续对网络进行简化,以满足实际应用需求。