[论文解读] A Novel Scheme for Intelligent Recognition of Pornographic Images
本文提出了一种新颖的方案，通过结合两种新特征与传统特征，并利用模糊积分进行融合，以提升分类性能，实现对色情图像的智能识别。该方法在18,354张图像的测试集上实现了87%的精确率和5.5%的误报率，相较于以往方法在内容过滤系统中的准确性和可靠性方面表现更优。
Harmful contents are rising in internet day by day and this motivates the essence of more research in fast and reliable obscene and immoral material filtering. Pornographic image recognition is an important component in each filtering system. In this paper, a new approach for detecting pornographic images is introduced. In this approach, two new features are suggested. These two features in combination with other simple traditional features provide decent difference between porn and non-porn images. In addition, we applied fuzzy integral based information fusion to combine MLP (Multi-Layer Perceptron) and NF (Neuro-Fuzzy) outputs. To test the proposed method, performance of system was evaluated over 18354 download images from internet. The attained precision was 93% in TP and 8% in FP on training dataset, and 87% and 5.5% on test dataset. Achieved results verify the performance of proposed system versus other related works.
研究动机与目标
- 为应对日益增长的有害网络内容挑战，特别是明确图像，通过提高检测准确性。
- 降低自动化色情图像过滤系统中的误报和漏报。
- 开发一种结合新型特征与先进融合技术的稳健、智能识别框架。
- 在大规模真实世界图像数据集上评估系统性能。
- 在实际部署中证明其在精确率和可靠性方面优于现有方法。
提出的方法
- 提出两种新型图像特征，旨在有效区分色情与非色情内容。
- 将新特征与传统低层次视觉特征（如纹理和颜色统计）相结合。
- 采用多层感知机（MLP）和神经模糊（NF）分类器生成独立预测结果。
- 利用基于模糊积分的信息融合方法，最优地结合MLP与NF分类器的输出。
- 在包含18,354张真实世界互联网图像的数据集上实施训练与测试流程。
- 通过模糊测度优化融合过程，以反映分类器输出的重要性及其相互作用。
实验结果
研究问题
- RQ1与仅使用传统特征相比，新型图像特征是否能显著提升对色情与非色情图像的区分能力？
- RQ2基于模糊积分的融合方法在结合多个分类器（MLP与NF）输出用于色情图像识别方面效果如何？
- RQ3所提出系统在真实世界图像数据上的精确率与误报率表现如何？
- RQ4新型特征与先进融合技术的整合是否优于现有最先进方法？
- RQ5在实际部署场景中，系统能否在保持高精度的同时最小化误报？
主要发现
- 在训练数据集上，该系统实现了93%的真正例率和8%的误报率。
- 在独立测试数据集上，系统达到87%的真正例率和5.5%的误报率。
- 将新型特征与传统特征结合显著提升了分类性能。
- 基于模糊积分的融合方法通过利用MLP与NF分类器的互补优势，有效增强了最终决策的可靠性。
- 结果表明，所提出的方案在精确率和误报控制方面优于现有方法。
- 系统在真实世界互联网来源图像上表现出强大的泛化能力，表明其具备实际可部署性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。