Klasyfikacja binarna materiałów pornograficznych i niepornograficznych za pomocą modelu sAI 0.4 z wykorzystaniem zmodyfikowanej bazy sexACT

Wstęp
Sieci neuronowe mogą być wykorzystywane do rozwiązywania problemów mających znaczenie w psychologii i seksuologii. W szczególności wydaje się istotne wprowadzenie skutecznych mechanizmów mogących ograniczyć nieintencjonalny kontakt małoletnich z materiałami pornograficznymi. Celem badań było stworzenie modelu klasyfikacji zdjęć, który różnicowałby materiały pornograficzne (również o charakterze fetyszystycznym) od materiałów niepornograficznych (przedstawiających osoby bez ukazywania nagości i aktywności seksualnej).

Materiał i metody
W celu stworzenia nowego modelu zastosowano bazowo model sAI 0.3. Wykorzystano bibliotekę fast.ai w wersji 1.0.55. Za architekturę sieci neuronowej przyjęto zmodyfikowaną wersję ResNet152. Zmodyfikowano bazę sexACT, dodając do niej nowy materiał treningowy obejmujący 1630 zdjęć kobiet o charakterze niepornograficznym. Spośród nich 1304 zdjęcia (80% zbioru) zostały użyte do wytrenowania sieci, a pozostałe 326 zdjęć (20% zbioru) do jej późniejszej walidacji.

Wyniki
W wyniku badań stworzono model umożliwiający klasyfikację binarną zdjęć o charakterze pornograficznym i niepornograficznym z 96% dokładnością. Model charakteryzuje się tendencją do częstszego popełniania błędów pierwszego rodzaju niż błędów drugiego rodzaju. Model cechuje się wysoką precyzją (0,94) oraz wysoką czułością (0,88). Końcowa strata walidacji wynosiła 0,1314.

Wnioski
W pracy omówiono potencjalne zalety wykorzystania omawianego modelu z perspektywy klinicznej. Zastosowanie omawianego modelu mogłoby pozwolić w szczególności na zapobieżenie negatywnym skutkom kontaktu małoletnich z materiałami pornograficznymi i tym samym występowaniu ryzykownych zachowań seksualnych czy też negatywnych skutków psychospołecznych.



Introduction
Neural networks may be used to solve problems in the field of psychology and sexology. In particular, it seems that neural networks may be important to limit the unintentional contact of minors with pornographic material. The aim of the study was to create the neural networks model for the classification of pornographic (also fetishist) materials from non-pornographic materials.

Material and methods
In order to create a new model, the sAI 0.3 model was used as the basic model. The fast.ai library version 1.0.55 was used. A modified version of ResNet152 was adopted as the neural network architecture. The sexACT database was modified to include new training material – 1630 non-pornographic photos of women. A total of 1304 photos (80% of the set) were used to train the network and the remaining 326 photos (20% of the set) were used for its later validation.

Results
As a result of the research, the sAI 0.4 model was created, enabling binary classification of pornographic and non-pornographic materials with 96% accuracy. The model tends to make more the first type of error than the second type of errors. The model has a high precision (0.94) and high sensitivity (0.88). The final validation loss was 0.1314.

Conclusions
The potential benefits of using the discussed model from a clinical perspective were discussed. The application of the discussed model could prevent the negative effects of contact of minors with pornographic material, which could consequently limit the prevalence of risky sexual behavior or negative psychosocial effects.