Методи автоматичного виявлення незаконного відеоконтенту
Д. О. Кібірєв, В. М. Федорченко · eNTUKhPIIR Repository (Kharkiv Polytechnic Institute) · 2025
Сучасні напрями розвитку інформаційно-комунікаційних технологій та засобів управління 109 МЕТОДИ АВТОМАТИЧНОГО ВИЯВЛЕННЯ НЕЗАКОННОГО ВІДЕОКОНТЕНТУ Кібірєв Д.О., Федорченко В.М.Харківський національний університет радіоелектроніки Харків, Україна У сучасну цифрову епоху відеоконтент став одним із найбільш поширених способів передачі інформації.Однак з розвитком технологій стрімко зростає і кількість випадків незаконного розповсюдження відеовід порушення авторських прав до публікації заборонених або шкідливих матеріалів [1].Це створює потребу у впровадженні автоматизованих методів виявлення незаконного контенту, які працюють в режимі реального часу, здатні аналізувати великі обсяги даних і інтегруватися в системи модерації та безпеки.Під незаконним відеоконтентом розуміється будь-який відеоматеріал, розповсюдження або зберігання якого заборонене законом чи порушує інтелектуальні, етичні або безпекові норми.Метою доповіді є аналіз сучасних методів автоматичного виявлення незаконного відеоконтенту.Метод перцептивного гешування (Perceptual Hashing) дозволяє створити унікальний "відбиток" відео на основі його візуальних характеристик.Він ефективний навіть після стиснення або часткових змін відео.Найбільш відомі алгоритми pHash, aHash, dHash.Переваги даного методу: стійкість до редагування відео; висока швидкість обробки; простота інтеграції в існуючі системи.В якості недоліків можна виділити те, що не завжди метод точний при великих модифікаціях (наприклад, поворот, інверсія кольорів), потребує великої бази гешів для високої ефективності та може давати хибнопозитивні/хибнонегативні результати без оптимізації.Інший метод оснований на аналізі цифрових водяних знаків (ЦВЗ).Суть його в тому, що правовласники вбудовують у відео непомітні цифрові позначення [2].Системи автоматично виявляють такі знаки, ідентифікуючи джерело нелегального копіювання.Переваги використання ЦВЗ: висока стійкість до типових атак: масштабування, обтинання, стиснення; підтримка трасування витоків (відстеження по джерелу); можливість юридичного підтвердження прав на контент.Метод може застосовуватись в поєднанні з ШІ для масової автоматичної перевірки та дає змогу автоматично блокувати або сповіщати про незаконний контент.Недоліками є те, що не всі методи водяного знака є достатньо стійкими, вимагає впровадження на етапі створення або розповсюдження контенту, не завжди можливо виявити водяний знак, якщо відео зазнало глибокого перекодування, а також потребує спеціального програмного забезпечення для вбудовування/зчитування.Метод машинного навчання (ML) і глибокого навчання (DL) є потужними інструментами для автоматичного виявлення незаконного відеоконтенту, особливо в умовах великого обсягу даних, які щоденно з'являються в Інтернеті.Глибоке навчання використовує нейронні мережі, які можуть
Cited by 0 works. Open-access PDF