Cel pracy:
Legalne 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 pornograficznych

Metoda:
Materiały 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.

Wyniki:
Stworzono 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.

Wnioski:
Omówiono 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