تشخیص تصاویر غیراخلاقی به کمک شبکه های عصبی عمیق

مسئله تصاویر غیراخلاقی و تولید محتوای غیراخلاقی در فضای مجازی از چالش های اصلی همه جوامع است. شناسایی هوشمند این تصاویر و سپس ساخت آلارم یا محدود کننده هایی در رده های سنی مختلف در تمام دنیا مطرح شود. این محتوا همچنان که مشخص کننده آسیب مستقیم به افراد می شود، به صورت غیر مستقیم امکان سو استفاده در افراد به خصوص افراد در سنین پایین را نیز به وجود می آورد. در این پژوهش رویکردی به منظور تشخیص تصاویر غیر اخلاقی به کمک یادگیری عمیق معرفی شده است. موارد بی شماری جرایم سایبری نیاز به شناسایی و مسدود کردن مطالب غیراخلاقی از سایت های رسانه های اجتماعی را نشان داده اند. روشهای یادگیری عمیق (DLM) در تشخیص محتوای غیراخلاقی که در بسیاری از پلتفرم های آنلاین هجوم آورده بود، عملکرد بهتری داشتند. با این حال، این DLM های معاصر در درجه اول تشخیص محتوای غیراخلاقی را به عنوان یک کار ساده طبقه بندی دودویی، به جای تمرکز بر برچسب گذاری مناطق غیراخلاقی ، در نظر می گیرند. ما روشی به نام ماژول توجه گلوگاه S۳Pooling (BAM) تعبیه شده مبتنی بر MobileNetV۲ را برای تشخیص خودکار محتوای غیراخلاقی با استفاده از مکانیزم توجه و استراتژی تجمیع مناسب پیشنهاد کرده ایم. مدل پیشنهادی به ترتیب با ۹۹.۲۶ % صحت ، ۹۹.۳۹ % بازیابی و ۹۹.۱۳ % دقت بهتر از سایر مدل های لبه دانش عمل کرد.

کلیدواژه ها:

تشخیص تصاویر غیراخلاقی ، هرزه نگاری ، یادگیری عمیق ، مکانیزم توجه