@PHDTHESIS{ 2019:1314274259,
 	title = {Abordagens neurais para controle de conte?do pornogr?fico},
 	year = {2019},
 	url = "http://tede2.pucrs.br/tede2/handle/tede/9162",
 	abstract = "O crescente volume de conte?do adulto dispon?vel na internet gera problemas de sa?de e desordens comportamentais. O consumo de pornografia ? 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 conte?do, por outro lado, dado o volume, ? necess?rio analisar o conte?do automaticamente. Neste sentido, Deep Learning permite realizar tarefas complexas automaticamente. Esta tese ataca a facilidade de acesso ? pornografia aplicando censuras autom?ticas atrav?s de 3 abordagens de Deep Learning: classifica??o, detec??o de objetos e gera??o autom?tica. Na abordagem de classifica??o, foram treinados e avaliados 8 modelos preditivos com diferentes arquiteturas de redes neurais, onde os resultados preditivos atingiram acur?cias superiores a 99%, processando at? 40 FPS. Observou-se que as regi?es mais significativas para classifica??o de pornografia est?o relacionadas especificamente ?s partes ?ntimas do corpo. A segunda abordagem censurou pornografia utilizando m?todos de detec??o de objetos. Foi constru?do um dataset para detec??o de partes ?ntimas que permitiu o treinamento de modelos que atingiram resultados preditivos com mAP = 0, 6961, censurando partes ?ntimas de corpo. Foi constru?da uma rede neural para detec??o, chamada CensorNet, gerando resultados preditivos promissores. Foi constru?da tamb?m CensorPlus, uma rede composta por uma segunda sa?da para classifica??o, criando um m?todo h?brido para detec??o de objetos e classifica??o de imagem. Finalmente, a terceira abordagem desta tese apresenta AttGAN, um m?todo baseado em tradu??o imagem-para-imagem que utiliza redes neurais para gerar censuras autom?ticas. O m?todo utiliza m?scaras de aten??o geradas por AttNET, uma rede neural treinada para classifica??o, convertida para a gera??o de tais m?scaras. Foram desenvolvidas 3 varia??es de AttGAN, comparadas por meio de uma avalia??o online onde 21 participantes compararam os resultados. Os resultados evidenciaram vantagem para o m?todo AttGAN+, escolhido como melhor m?todo em 1.050 opini?es coletadas. O m?todo AttGAN+ foi incrementado, aplicando a mescla da imagem de entrada com a sa?da censurada, dando origem ao m?todo AttGAN++, resultando em uma imagem censurada que preserva caracter?sticas perif?ricas da imagem original.",
 	publisher = {Pontif?cia Universidade Cat?lica do Rio Grande do Sul},
 	scholl = {Programa de P?s-Gradua??o em Ci?ncia da Computa??o},
 	note = {Escola Polit?cnica}
}