Ferramenta PPCensor: detecção de pornografia em tempo real no streaming de vídeo

• Jackson Mallmann IFC / PUCPR
• Altair O. Santin PUCPR
• Eduardo K. Viegas PUCPR
• Roger R. dos Santos PUCPR
• Jhonatan Geremias PUCPR

DOI: https://doi.org/10.5753/sbseg_estendido.2020.19275

Resumo

Este artigo apresenta a ferramenta Private Parts Censor (PPCensor) para detecção de objetos de natureza pornográfica implementado como um proxy. Para tanto, a ferramenta efetua a análise em tempo real de maneira transparente dos frames de vídeos que estão sendo visualizados por usuários. Para a detecção dos objetos pornográficos, um detector de objetos é previamente treinado com a PPO (Private Parts Object Dataset). Quando PPCensor identifica um frame contendo partes íntimas (objetos), o conteúdo é ocultado do vídeo em exibição sem a necessidade de iteração ou a exigência de processamento no dispositivo do usuário. Os resultados da avaliação mostram que PPCensor é capaz de detectar partes íntimas em tempo real durante transmissões de vídeo.

Referências

Lin, T.; Maire, M.; Belongie, S.; Bourdev, L.; Girshick, R.; Hays, J.; Perona, P.; Ramanan, D.; Zitnick, C.L.; Dollár, P. (2014). “Microsoft COCO: Common objects in context”. In ECCV, 2014.

Mallmann, J.; Santin, A.O.; Viegas, E.K.; Santos, R.R. DOS.; Geremias, J. (2020). “PPCensor: Architecture for real-time pornography detection in video streaming”. Future Generation Computer Systems, v. 112, p. 945-955, 2020.

Moreira, D.; Avila, S.; Perez, M.; Moraes, D.; Testoni, V.; Valle, E.; Goldenstein, S.; Rocha, A. (2016). “Pornography classification: The hidden clues in video spacetime”, Forensic Science Int. Vol. 268, p. 46-61.

Oquab, M.; Bottou, L.; Laptev, I.; Sivic, J. (2014). “Learning and transferring mid-level image representations using convolutional neural networks” in Proc. of the IEEE conf. on computer vision and pattern recognition, pp. 1717–1724.

Pafy. (2020), “Library to download YouTube content and retrieve metadata”, https://pythonhosted.org/pafy/.

PCAA. (2020), “Prevent Child Abuse America”, https://preventchildabuse.org/.

Pornhub. (2020), “2018 Year in Review”, https://www.pornhub.com/insights/.

Ren, S.; He, K.; Girshick, R.; Sun, J. (2017) "Faster r-cnn: towards real-time object detection with region proposal networks", IEEE Trans. Pattern Anal. Mach. Intell., vol. 39, no. 6, pp. 1137-1149.

Statista. (2020), “How Much of the Internet Consists of Porn?”, https://www.statista.com/chart/16959/share-of-the-internet-that-is-porn/.

Squid. (2020), “Squid Development Projects”. http://devel.squid-cache.org/.

TensorFlow. (2020), “Tensorflow Object Detection API”, https://www.tensorflow.org/.

Vicentini, C.; Santin, A.; Viegas, E.; Abreu, V. (2018) A machine learning auditing model for detection of multi-tenancy issues within tenant domain. IEEE International Symposium on Cluster, Cloud and Grid Computing, CCGRID, p. 543–552.

Viegas, E.; Santin, A. O.; Franca, A.; et al (2017). Towards an energy-efficient anomaly-based intrusion detection engine for embedded systems. IEEE Transactions on Computers, v. 66, n. 1, 2017.