（腾讯云，图片风险内容识别技术原理）
想想看，人是怎么认识猫的？
其实就通过猫的脸部特征，例如鼻子到眼睛的距离，双眼的间隔，尾巴的长度，耳朵的形状，皮肤的颜色等等等等一系列方法，人知道，这种形态的生物，叫做猫。
同理，人脑是怎么识别色情图片的？
就是色情图片上有大量的关键要素，这些要素，才是核心，其他内容都是无关紧要的。
例如下图，一个穿白色衣服的性感照，颜色，背景都不重要，重要的是核心暴露的要素。
（人类真的是很会找重点的生物）
你会本能性的关注亮点，这个亮点，就是关键要素。
在模型上，就是要用Attention让模型更加关注特定要素，例如上图的热力区域，就是所谓【漏沟】要素。
（腾讯云，图片风险防范技术原理）
当然，要让机器认识到这种要素，最重要的就是教给机器何为【漏沟】。
就和人认识猫一样，机器认识【漏沟】这个概念，也是需要比对大量的要素，例如衣服和皮肤的色差，缝隙和皮肤的间隔，颜色分布和背景的比对，这些要素需要打上标签，让机器分辨。
最前沿的做法是，设置ignore label抑制高频标签，降Loss反向传播权值，可以有效提升低频标签召回率提升，进而提升整体的识别效果。
（腾讯天御模型效果，黄图克星）
5
讲完图片讲视频和音频。
视频鉴别其实主要难度在于效率。
视频可以简单理解为是大量高速闪动的图片，一个1分钟的视频，如果是24帧标准电影画质，可以拆解为60（秒）X24=1440张图片。
如果是60帧画质，可以拆解为60秒X60=3600张图片。
所以视频核验本质上就是高效率的图片核验。
那么问题来了，一个1分钟的视频，就要核验这么多的图片，那么如果要核验很多视频，基本上所有的服务器什么事情都不用做了，尤其是直播领域，都是实时的。
所以视频检测的核心点就是交给机器如何合理的偷懒。
3600张照片，不需要每张都看，实际上人的眼睛也看不出每张的区别，只要做算法抽帧就可以了，3600张照片里，只需要抽100到200张匹配就可以了。
至于选取哪200张，这就是模型的艺术了。
