Automatyczne rozpoznawanie treści nielegalnych filmów typu CSAM za pomocą klasyfikatora częściowo splatającego kolejne klatki materiału wideo

• Autorzy: Laskowska Barbara

Identyfikatory

DOI

10.35467/cal/174933

Warianty tytułu

EN

Automatic recognition of the content of CSAM using a classifier that shifts part of the channels from successive frames of video

• Języki publikacji: PL

Abstrakty

PL

Artykuł zawiera opis jednej z metod automatycznego wykrywania treści nielegalnych typu CSAM, którą przetestowano podczas badań przeprowadzanych w projekcie APAKT. Zaproponowane rozwiązanie wykorzystuje klasyfikator Temporal Shift Module (TSM), model sieci głębokiej do wydajnego rozpoznawania aktywności na plikach wideo. Zastosowano metodę z transferem wiedzy, żeby stosunkowo niedużą liczbą danych uczących nauczyć model skutecznego rozpoznawania treści pornograficznych i nielegalnych na filmach. Przeprowadzono testy skuteczności klasyfikacji na danych neutralnych legalnej i nielegalnej pornografii. W artykule wskazano również związane z tym tematem badawczym problemy, które wynikają z charakterystyki danych. Ponadto zwrócono uwagę na konieczność dalszych prac nad zapewnianiem bezpieczeństwa dzieci w cyberprzestrzeni.

EN

The paper describes one of the methods of automatic recognition of CSAM materials, which was tested during the research under the APAKT project. The proposed solution is based on Temporal Shift Module (TSM), a model of a deep neural network created for efficient human activities rocognition in video. We applied transfer learning method for training the model with a relatively small number of training data to succesfully rocognize films with pornografic and illegal content. We conducted some tests of classification of films from three categories: neutral films, legal pornography and illegal pornografic videos (CSAM). In this paper we present problems that are connected with this research topic that come from the characteristic of the data. We also show that further works are needed to keep children safe in cyberspace.

Słowa kluczowe

PL

bezpieczeństwo cyberprzestrzeni; analiza wideo; uczenie maszynowe; sieci neuronowe; sieć głęboka; transfer learning; CSAM

EN

cybersecurity; computer video analysis; machine learning; neural networks; deep neural networks; transfer learning; Child Sexual Abuse Material; CSAM

• Wydawca: Akademia Sztuki Wojennej
• Czasopismo: Cybersecurity and Law
• Rocznik: 2023
• Tom: Vol. 10 (2)
• Strony: 195--201
• Opis fizyczny: Bibliogr. 5 poz.

Twórcy

autor

Laskowska Barbara

• Zespół Złożonych Systemów, Instytut Automatyki i Informatyki Stosowanej, Wydział Elektroniki i Technik Informacyjnych, Politechnika Warszawska

• https://orcid.org/0000-0003-0958-9969

Bibliografia

• 1. Aggarwal Ch.C., Neural Networks and Deep Learning, Cham 2018.
• 2. Badźmirowska-Masłowska K., Child protection in cyberspace, „Cybersecurity and Law” 2019, nr 1.
• 3. Lin J., Gan C., Han S., TSM: Temporal Shift Module for Efficient Video Understanding, 2018, https://doi.org/10.48550/arXiv.1811.08383 [dostęp: 15.06.2023].
• 4. Kay W. i in., The Kinetics Human Action Video Dataset, 2017, https://doi.org/10.48550/arXiv.1705.06950 [dostęp: 15.06.2023].
• 5. Koonce B., ResNet 50 [w:]: Convolutional Neural Networks with Swift for Tensorflow, Berkeley, CA 2021.

Uwagi

1) Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).

2) Praca finansowana przez Narodowe Centrum Badań i Rozwoju w ramach projektu CYBERSECIDENT/455132/III/NCBR/2020.