当前位置：小高技术网 > 技术常识4>正文

有故事的gv下载地址

2023-03-11 07:34:01 技术常识4 详解

【温馨提示】本文共有4248个字，预计阅读完需要11分钟，请仔细阅读哦！

B站牵手晋江，耽美题材能为B站提供弯道超车的机会吗？,下面一起来看看本站小编钛媒体APP给大家精心整理的答案，希望对您有帮助

有故事的gv下载地址1

图片来源：视觉中国

“中国最大同友社区上线啦”，曾经二次元圈内调侃的语句，如今竟然一语成箴。

7月3日，B站与晋江文学城共同发布微博，宣称双方达成动漫、游戏化战略合作，首批授权作品为5部，分别是墨香铜臭《天官赐福》、淮上《破云》、priest《残次品》、语笑阑珊《你在星光深处》和巫哲《解药》，授权金达数千万元。

有趣的是，上述IP清一色为耽美题材。

事实上，B站想要“打通动画与游戏业务之间的联系”的想法由来已久。在过去的数年间，B站通过涉足日本制作委员会、成立日本动画分公司，与绘梦动画成立合资动画公司哆啦哔梦的形式，不断加强对动画产业链条渗透；游戏业务方面，B站也在尝试通过投资手段增加自研比例，截至2017年12月，B站已投资了10家游戏公司，分别为兽耳科技、水幻之音、御宅游戏、萌鲸—零界点、上海灼焰科技、嬉皮士游戏、族星、潜龙心诚、黑细胞、华仁艺电。上述游戏公司中，已经上线的较为知名的手游有《妖精的衣橱》、《战舞幻想曲》及《Zion载音》。

动漫经济学曾在《B站破发之后，离小腾讯的故事还有多远》一文中提出观点，B站的商业模型与腾讯具有高度相似性：一个具有高活跃度的PUGV视频社区在一定程度上替代了QQ和微信的流量护城河作用；而在营收结构上，游戏业务贡献了B站的主要营收。因此，这套玩法的关键在于，持续亏损的B站能否坚持到其投资的游戏团队成长起来，并成功孵化爆款单品，就像《王者荣耀》之于腾讯。

目前看来，B站管理层似乎对自然生长的速度并不满意，试图通过注入IP的形式加速自研爆款的诞生。

那么，耽美题材能够为B站提供一个弯道超车的机会吗？

All in BL，B站的勇气来自哪里？

我们不妨先看看B站买了什么。

据悉，此次合作首批授权作品为5部，分别是墨香铜臭《天官赐福》、淮上《破云》、priest《残次品》、语笑阑珊《你在星光深处》和巫哲《解药》，题材涵盖仙侠、刑侦、科幻、都市四个门类。

某版权行业资深人士表示，B站选品的眼光还是非常毒的，墨香铜臭、淮上、priest均为晋江一线作者，其中墨香铜臭因《魔道祖师》被大众熟知，根据priest同名小说改编的《镇魂》是当季最热网剧，因此前三部作品的版权金猜测不低于600万；语笑阑珊和巫哲则属于二线作者中作品质量和粉丝群体都相对稳定的那类，IP改编的性价比很高。

那么，B站为什么会选择All in BL呢？

耽美内容本身的商业契合度构成了第一重逻辑。

根据现代心理学研究表明，青春期性别角色认同类型在双性化、单性化以及未分化性别角色认同的比例呈现“三足鼎立”的现象,其中双性化性别角色认同所占比例最高；在一线心理咨询师的工作反馈中，“青春期精神同性恋倾向”在青少年群体中非常普遍，“大约有1/3青少年曾或多或少对同性产生过类似情愫”。这是由于人类的青春期，本就是一个从混乱走向有序，矫正性取向倒错的过程。“不少在青春期有同性恋倾向的人，经过一段时间后，便开始对异性产生兴趣。”

在长达数年的混沌阶段，青少年群体选择消费耽美文化是一种非常自然的选择；而女性由于天然敏锐的情感表达，逐渐汇聚成了身份认同感极强的腐女群体。

由此构成了耽美产业链条的理论基础。

——摘自《把耽美关进笼子里》

近两年，耽美产业链的商业化进程显著加速：2018年1月，二线耽美网站长佩宣布，已完成由华创资本领投的数百万的天使轮融资；2016年网剧《识汝不识丁》在优酷播出；在腾讯公布的2018年片单之中，赫然包含四部2018年四部耽美动画，分别是《魔道祖师》、《人渣反派自救系统》、《帝王攻略》、《2013》。

对于坐拥“中国最大的亚文化社群”称号的B站，不可能对于这个现象视而不见。

商业契合度之外，利益驱动构成了B站牵手晋江的第二重逻辑。在上述人士看来，在IP价格水涨船高的今天，B站给出的数千万元的价码并不算多。“B站的选择并不多，要不通过批量购买的方式占据一个细分题材赛道，要不直接购买一部大众认知上的头部IP。”

从结果上看，B站选择了前者。

吃下耽美IP之后，B站该何去何从

本次微博还透露了两个有效信息：一来，B站拿下的为动画、漫画和游戏版权；二来，此次公布的5部作品仅为首批，“To Be continued→7月10日 ”的标识直指第二阶段预期。

因此，在7月10日之后，B站很大概率会取代股东腾讯，成为耽美IP产业链条上投入最大的玩家。

那么，在领跑耽美赛道之后，B站又该如何消化吃下的IP呢？

漫画和动画付费，是B站有望切入的第一个环节，结合6月底爆出的B站即将上线漫画业务，意味更为深长。

2017年，漫画付费的市场规模由2016年的2亿扩展至10亿规模，由此催生更多的作品进入付费阅读阵营。而以耽美题材为代表的女性向漫画，在付费转化效率上一直排名前列。

（三大漫画平台付费排行榜一览，红色部分女性向漫画）

动画领域，随着爱奇艺fun会员的推出、B站大会员的扩容，越来越多的动画被纳入会员专享范畴，采用的方式为付费抢先看或者VIP专属的模式。

某动画公司负责人表示，目前国内漫画行业集中出现付费观看的趋势，未来国产动画，尤其是高品质动画大面积的付费观看应该也会成为一个主要的收入模式。在动画播出的同时，就能够收到一定的回报。而缩短变现周期，对动画公司以及整个行业的发展都是有利的。

漫画和动画聚拢流量，下一阶段，便是通过游戏进行定向收割。值得注意的是，早在一季度财报发布时，B站便表现出了对女性向手游的资源倾斜：财报显示，从下半年开始，其中包括一款音乐游戏《BanGDream》，两款女性向手游《A3!》和《无法触碰的掌心》；游戏联运方面，《闪耀暖暖》、《战刻夜想曲》分别作为中日头部作品入选。

唯一的缺憾是，上述女性向手游只覆盖了乙女向单个门类。随着此次耽美IP的注入，B站女性手游产品线将在很大程度上扩充；乙女和腐女人群的高度重合的市场特性，也使得前期流量积累更有效率，有利于协同效应的展开。

对于B站的游戏自研体系而言，与晋江的战略绑定补足了自身在IP储备上的短板，也在一定程度上提高了爆款孵化的概率。

这种打法并非完美无缺。耽美内容的政治敏感性决定了其运作的高风险，尤其是在尺度缩紧的当下。对此，某版权业内人士表示，“如果监管力度进一步缩紧，上游的内容生产（包括网文和漫画）不排除也会照搬无cp的创作模式。”

所谓无cp，指的是官方塑造一堆性格分明的角色群像，却不公开其中的cp关系，从而给粉丝留出自我想象的空间。当然，多数时候，官方也会偶尔埋入一些cp暗示。比如漫威圈盾冬、锤基、盾铁的cp组合，全都源自腐女群体的同人创作。同人圈所生产的内容，很好地维系了漫威系列电影间隔期的热度。

在这种情况下，宏观政策风险由内容创作端自然转移到了读者的脑袋中，而思想是无法被审核和监管的。

只是到那时，耽美还算一个好赛道吗？

【钛媒体作者介绍：动漫经济学】

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App

有故事的gv下载地址2

夏乙假装发自凹非寺

量子位出品 | 公众号 QbitAI

要入门机器学习，一个自己感兴趣又有丰富数据的领域再好不过了。

今天我们就来学习用Keras构建模型，识别NSFW图片，俗称造个鉴黄AI。

资源来自一名印度小哥Praneeth Bedapudi，涉及图像分类和目标检测两个科目。他在GitHub上最新发布了NudeNet项目，包含代码和两个预训练模型：负责识别露不露的图像分类模型和负责找出关键部位（以便打码）的目标检测模型。

图像分类模型很简单，能区分两个类别：nude和safe，也就是露和不露，堪比经典的hotdog/not hotdog。

目标检测模型则能检测6个类别：不分性别的腹部、臀部，和区分了性别的不可描述部位。

资源链接全在文末，我们先来学习一番。

图像分类

从数据集开始

构建一个图像二分类模型，需要数据集当然也要包含两类图像。所以，第一项任务就是分别搜集露的图片（nude）和不露的图片（safe）。

不安全的nude图片来自三处：

一是用RipMe从website scrolller下载，这些图片来自Reddit论坛的各种NSFW板块；

图片来源：https://scrolller.com/nsfw（打开请慎重）

下载工具：https://github.com/RipMeApp/ripme

二是P站的缩略图。引入这些缩略图是为了平衡图片质量——上边的的Reddit图片质量太高了，而一个鉴黄AI，在现实中遇到的图片大多是渣品质，这就需要分辨率很低的缩略图来平衡。

三是之前广为流传的同类数据集，来自alexkimxyz。

原数据集的5个类别，被映射到现在的两类之中。hentai和porn属于nude，而drawings、neutral和sexy属于safe。

搜集好数据之后，进行标准化和去重：

# Resizing and removing duplicates mogrify -geometry x320 * fdupes -rdN ./

最终得到的不安全图片1,78,601张P站图片、1,21,644张Reddit图片和1,30,266张前辈数据集图片。

安全的图片则有三个来源，一是alexkimxyz数据集中的普通图片；二是Facebook资料；三是Reddit论坛上那些老少皆宜的板块。

为什么已经有了现成的数据集，还需要去后两个来源抓取呢？

因为小哥发现，前辈收集的安全图片，有很多根本就不包含人。用这样的数据训练，模型很可能学到错误的特征，没学会判断“露不露”，直接变成了一个“有没有人”分类器。

最终得到的安全图片中，有68,948张来自Facebook资料、98,359张来自前辈数据集、55,137张来自Reddit。

数据收集完毕，接下来要进行数据增强。这里用的是Augmentor和Keras自带的fit_generator。

Augmentor地址：

https://github.com/mdbloice/Augmentor

使用的代码如下：

# Random rotation, flips, zoom, distortion, contrast, skew and brightness pipeline.rotate(probability=0.2, max_left_rotation=20, max_right_rotation=20) pipeline.flip_left_right(probability=0.4) pipeline.flip_top_bottom(probability=0.8) pipeline.zoom(probability=0.2, min_factor=1.1, max_factor=1.5) pipeline.random_distortion(probability=0.2, grid_width=4, grid_height=4, magnitude=8)pipeline.random_brightness(probability=0.2, min_factor=0.5, max_factor=3)pipeline.random_color(probability=0.2, min_factor=0.5, max_factor=3) pipeline.random_contrast(probability=0.2, min_factor=0.5, max_factor=3) pipeline.skew(probability=0.2, magnitude=0.4)

训练与评估

小哥为这个任务选择了谷歌出品的Xception模型，直接从Keras使用，输入256x256尺寸的图片，批次大小设为32。

而训练的设备，是从vast.ai租来的云服务器，带一块GTX 1080Ti显卡。

Keras提供的图像分类模型有个问题：不带正则化。所以，还要用下面的代码，为每一层加上正则化（dropout或L2）。

# For l2 for layer in model.layers: layer.W_regularizer = l2(..) # Or for dropout add dropout between the fully connected layers and redefine the model using functional API.

使用SGD with momentum训练，模型可以在alexkimxyz数据集上收敛到0.9347的准确率。

训练完成后，他选择了Towards Data Science之前构建的一个测试集来测试模型性能。

测试集：

https://drive.google.com/drive/folders/18SY4oyZgTD_dh8-dc0wmsl1GvMsA7woY

测试成绩如下：

目标检测

还是从数据集开始

训练目标检测模型需要的数据集，和图片分类可不一样。分类只需要图片和类别，而目标检测需要的，是用边界框标注了某样东西位置的图片。

因此，上边讲过的数据集不能用了，新科目的数据集来自Jae Jin的团队，包含5789张图片，各种标注的分布如下：

其实也就是模型能检测出的六类目标。

数据集没有公开，作者在这里：

https://github.com/Kadantte

有了数据，还是要做一些图像增强工作，随机加入一些模糊、翻转。使用的工具是albumentations：

https://github.com/albu/albumentations

训练与评估

这里的检测模型，选择的是FAIR推出的RetinaNet，它使用焦点损失（交叉熵损失的一种变体）来增强一阶目标检测的性能。

检测模型的基干使用了ResNet-101，在测试集上的成绩如下：

除了用来指出某个部位究竟出现在了图中什么位置之外，这个模型其实还可以当成分类器来用：

如果在图中检测到了BUTTOCKS_EXPOSED、*_GENETALIA_EXPOSED、F_BREAST_EXPOSED这四类，就可以判定图片NSFW，如果没有，这张图就是安全的。

所以，也可以用分类器的测试集来检测这个模型的性能。

得到的成绩，比纯粹的分类器好不少：

当然，目标检测更适合实现的功能，是打码。比如说见到一张NSFW图片，它就可以根据检测到的关键部位，自动遮挡：

预训练模型怎么用？

如果你想先用预训练模型看看效果，可以按照下面的安装指南来：

安装：

pip install nudenet or pip install git+https://github.com/bedapudi6788/NudeNet

使用分类器：

from nudenet import NudeClassifier classifier = NudeClassifier('classifier_checkpoint_path') classifier.classify('path_to_nude_image') # {'path_to_nude_image': {'safe': 5.8822202e-08, 'nude': 1.0}}

使用目标检测器：

from nudenet import NudeDetector detector = NudeDetector('detector_checkpoint_path') # Performing detection detector.detect('path_to_nude_image') # [{'box': [352, 688, 550, 858], 'score': 0.9603578, 'label': 'BELLY'}, {'box': [507, 896, 586, 1055], 'score': 0.94103414, 'label': 'F_GENITALIA'}, {'box': [221, 467, 552, 650], 'score': 0.8011624, 'label': 'F_BREAST'}, {'box': [359, 464, 543, 626], 'score': 0.6324697, 'label': 'F_BREAST'}] # Censoring an image detector.censor('path_to_nude_image', out_path='censored_image_path', visualize=False)

传送门

GitHub：

https://github.com/bedapudi6788/NudeNet

教程原文 - 图像分类篇：

https://medium.com/@praneethbedapudi/nudenet-an-ensemble-of-neural-nets-for-nudity-detection-and-censoring-d9f3da721e3?sk=e19cdcc610e63b16274dd659050ea955

教程原文 - 目标检测篇：

https://medium.com/@praneethbedapudi/nudenet-an-ensemble-of-neural-nets-for-nudity-detection-and-censoring-c8fcefa6cc92?sk=f0a4786bf005cd4b7e89cf625f109af0

另外，你可能更关心数据集……小哥在Reddit论坛上对网友说，他收集的数据集大约有37GB大，还没有找到地方上传，但“绝对会共享出来”，到时候会在这里更新链接：

https://www.reddit.com/r/MachineLearning/comments/b78j1q/p_nudity_detection_and_censoring_in_images_with/

量子位之前介绍过一些数据集（和模型），先用它们练手也行：

内含20万“不可描述”图片，这个数据集别在办公室打开

那个20多万“不可描述”照片数据集，有人用它做了鉴黄模型

150多万张“不可描述”照片数据集新鲜出炉，不要在办公室打开

和他们一起加油吧~

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态