Binary classification of pornographic and non-pornographic materials using the sAI 0.4 model and the modified sexACT database

Oronowicz-Jaśkowiak, Wojciech; Bzikowska, Edyta; Jabłońska, Klaudia; Kłok, Anita

doi:10.5114/ppn.2020.96975

Cited by 2 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In order to select the best hyperparameters, a total of 26 studies were conducted, which were related to individual techniques of data augmentation, and an initial study related to the selection of the appropriate architecture of the neural network. To validate our study, we used four different datasets: CIFAR-10 [Kri00a], Intel Image Classification [Ban00a], sexACT 0.5 [Oro00a] and MNIST [LeC00a]. The first dataset consists of 60.000 color images categorized in 10 classes (e.g.…”

Section: Related Workmentioning

confidence: 99%

Empirical verification of the suggested hyperparameters for data augmentation using the fast.ai library

Oronowicz-Jaśkowiak¹,

Wasilewski²,

Kowaluk³

2022

CSRN

View full text Add to dashboard Cite

Data augmentation consists in adding slightly modified copies of the existing data to the training set, which increases the total amount of data and generally results in better results obtained by machine learning algorithms. The fast.ai library has some predefined values for data augmentation hyperparameters for visual data. It is claimed that these predefined parameters are to be the best for most data types, however, no empirical support for this statement has been provided. The aim of this research is to determine whether the suggested hyperparameter values for data augmentation in the fast.ai library are indeed optimal for the highest accuracy for image classification tasks. In order to answer this question, a detailed research was conducted, consisting of a series of experiments for subsequent data augmentation tools (rotation, magnification, contrast change, etc.). Three variables were modified for each tool: 1. maximal and minimal value of transformation (depending on the transformation type), 2. probability of the transformation, 3. padding behaviour. The results of the presented research lead to the conclusion that the suggested values of data augmentation implemented in the fast.ai library provides the good parameters of the model aimed at differentiating male and female faces, however in case of that classification slightly different parameters could be taken into consideration. The results are published in open-source repository (Open Science Framework, DOI:10.17605/OSF.IO/38UJG).

show abstract

Section: Related Workmentioning

confidence: 99%

Empirical verification of the suggested hyperparameters for data augmentation using the fast.ai library

Oronowicz-Jaśkowiak¹,

Wasilewski²,

Kowaluk³

2022

CSRN

View full text Add to dashboard Cite

show abstract

“…uzasadnienie w dalszej części artykułu), ponadto model cechował się niską dokładnością w wypadku klasyfikacji materiałów spoza zbioru treningowego. W związku z tym wytrenowano nowy model sieci neuronowej, oparty na modelu sAI 0.1 [10] oraz bazie sexACT [14]. Dalsze prowadzenie badań w tym kierunku przez rozwijanie obecnego modelu jest istotne z kilku powodów.…”

Section: Cel Oraz Uzasadnienie Badańunclassified

Classification of nine types of pornographic materials using the sAI 0.3 model. Continuation of the pilot study

Oronowicz-Jaśkowiak¹,

Siwiak²,

Róg³

et al. 2022

Psychiatr Pol

View full text Add to dashboard Cite

Cel pracyLegalne materiały pornograficzne stanowią niejednolitą grupę materiałów audiowizualnych, które przedstawiają jedną lub większą liczbę osób powyżej osiemnastego roku życia podczas podejmowania czynności o charakterze seksualnym. Celem badań było wytrenowanie modelu sieci neuronowej do klasyfikacji zadanych typów materiałów pornograficznychMetodaMateriały włączone do zbioru treningowego (3600 materiałów) i walidacyjnego (900 materiałów) podlegały restrykcyjnym kryteriom włączenia, a następnie były ręcznie klasyfikowane. Na tak przygotowanych materiałach wytrenowano głęboką sieć neuronową. Do badań zaklasyfikowano sześć modeli bazujących na różnych architekturach konwolucyjnych sieci neuronowych (ResNet152, ResNet101, VGG19, VGG16, Squeezenet 1.1, Squeezenet 1.0). Każdy z nich został wytrenowany na tej samej grupie zdjęć, a proces treningu odbywał się przy wykorzystaniu biblioteki fast.ai.WynikiStworzono model, który w porównaniu do modelu pilotażowego, umożliwia klasyfikację większej ilości typów materiałów pornograficznych, przy jednocześnie większej skuteczności, a dzięki opisaniu każdego zdjęcia, znane są również ograniczenia dokonywanej klasyfikacji.WnioskiOmówiono przyszłe zastosowania modelu w seksuologii klinicznej oraz psychiatrii. Rozwój prac nad głębokimi sieciami neuronowymi w seksuologii wydaje się być szczególnie obiecujący z co najmniej dwóch powodów. Po pierwsze, możliwe jest stworzenie narzędzia przeznaczone do automatycznego wykrywania materiałów pornograficznych z małoletnimi i zastosowanie go w trakcie postępowania sądowego. Po drugie, po dotrenowaniu zaprezentowanego modelu o zdjęcia kobiet oraz mężczyzn, którzy nie podejmują aktywności seksualnej, można by wykorzystać model do filtrowania treści nieodpowiednich do oglądania przez małoletnich

show abstract

Binary classification of pornographic and non-pornographic materials using the sAI 0.4 model and the modified sexACT database

Cited by 2 publications

References 0 publications

Empirical verification of the suggested hyperparameters for data augmentation using the fast.ai library

Empirical verification of the suggested hyperparameters for data augmentation using the fast.ai library

Classification of nine types of pornographic materials using the sAI 0.3 model. Continuation of the pilot study

Contact Info

Product

Resources

About