@PHDTHESIS{ 2019:556038566,
 	title = {Abordagens neurais para controle de conteúdo pornográfico},
 	year = {2019},
 	url = "http://tede2.pucrs.br/tede2/handle/tede/9162",
 	abstract = "O crescente volume de conteúdo adulto disponível na internet gera problemas de saúde e desordens comportamentais. O consumo de pornografia é favorecido pela facilidade de acesso, pelo baixo custo e pela anonimidade dos internautas. Quebrando um destes fatores, pode-se minimizar o consumo deste tipo de conteúdo, por outro lado, dado o volume, é necessário analisar o conteúdo automaticamente. Neste sentido, Deep Learning permite realizar tarefas complexas automaticamente. Esta tese ataca a facilidade de acesso à pornografia aplicando censuras automáticas através de 3 abordagens de Deep Learning: classificação, detecção de objetos e geração automática. Na abordagem de classificação, foram treinados e avaliados 8 modelos preditivos com diferentes arquiteturas de redes neurais, onde os resultados preditivos atingiram acurácias superiores a 99%, processando até 40 FPS. Observou-se que as regiões mais significativas para classificação de pornografia estão relacionadas especificamente às partes íntimas do corpo. A segunda abordagem censurou pornografia utilizando métodos de detecção de objetos. Foi construído um dataset para detecção de partes íntimas que permitiu o treinamento de modelos que atingiram resultados preditivos com mAP = 0, 6961, censurando partes íntimas de corpo. Foi construída uma rede neural para detecção, chamada CensorNet, gerando resultados preditivos promissores. Foi construída também CensorPlus, uma rede composta por uma segunda saída para classificação, criando um método híbrido para detecção de objetos e classificação de imagem. Finalmente, a terceira abordagem desta tese apresenta AttGAN, um método baseado em tradução imagem-para-imagem que utiliza redes neurais para gerar censuras automáticas. O método utiliza máscaras de atenção geradas por AttNET, uma rede neural treinada para classificação, convertida para a geração de tais máscaras. Foram desenvolvidas 3 variações de AttGAN, comparadas por meio de uma avaliação online onde 21 participantes compararam os resultados. Os resultados evidenciaram vantagem para o método AttGAN+, escolhido como melhor método em 1.050 opiniões coletadas. O método AttGAN+ foi incrementado, aplicando a mescla da imagem de entrada com a saída censurada, dando origem ao método AttGAN++, resultando em uma imagem censurada que preserva características periféricas da imagem original.",
 	publisher = {Pontifícia Universidade Católica do Rio Grande do Sul},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {Escola Politécnica}
}