a.调研相关的学术论文，对业界最新的人脸模型进行速度和性能对比 b.模型落地部署，编写代码，将人脸检测模型从MTCNN升级为RetinaFace； c.改造了人脸识别服务流程，保存人脸识别模型提取特征，根据不同人脸种子重要程度，采用独立阈值，提升召回准确率 结果： 人脸识别召回率提升60%，召回比例万分之5，针对侧脸和占比很小的人脸， 以及戴口罩人脸等检测能力增强；另根据保存的人脸特征，可快速定位历史图片风险人

1、涉黄是高危类目，覆盖范围最广，标准不一，一直是内容风控的重点，目标： • 对图片鉴黄模型升级，目的是要降低平台涉黄图片漏出风险 • 重度色情图片清零（双月违禁留存评估中） 2、色情类别包括15种： 主要包括：男女真人漏点，真人性行为，情趣用品，情趣娃娃，低俗街拍，胸部特写，低俗摆件，色情漫画，儿童软色情 3、有效动作 a.采用了细分类标签，独立完成数据爬取和清洗，数据增强，参数调优，并且采用center-loss和交叉熵loss联合训练； b.多模型融合，在低俗子类别中，融合了行人检测模型（yolov5），提升街拍商品子类别召回的准确率 4、结果 模型部署上线后，色情低俗覆盖率达99%，在每个双月违禁留存评估中，重度色情漏出case为0个 5、技术难点，图片鉴黄，难点在于数据获取，训练数据来源： • 外网爬取图片（爬取大量图片，审核同学标注）， • 视频截帧（每5秒一张） • 审核违规图片 • 数据增强（翻转，裁剪，马赛克增强）

1、项目背景 在内容安全中，有很多违规图片，本身图片内容没有问题，违规点在于图片的文字，例如一些涉政图片，以及违禁品等，通过OCR提取文字就很有必要。 2、有效动作 a.以天池OCR比赛打榜为目标，先技术调研，采用了deep-text模型作为baseline，通过多次实验对比，将论文中的Attention 机制替换成CTC，提升模型对中文场景的识别能力， b.开源数据获取（ICDAR，CTW等）以及预处理；数据增强，合成图片，多轮联合训练；模型融合，以及后处理机制； c.包括 OCR demo 搭建，直观的验证OCR识别效果（审核使用） d. 针对翻转图片文字，增加了角度分类模型，提升模型对翻转文字的识别能力 3、结果 • 模型在天池比赛上排名第五，识别文字能力更强。 • 该模型实际部署上线后，策略违禁率提升30%，处理速度提升一倍以上 • 模型覆盖率达90%，能够召回更多的违禁case，大大降低因文字识别不准导致漏出风险