Masterarbeit: Erkennung suggestiver Posen und Gesichtsausdrücke

Hintergrund/Motivation: Zur Erkennung von erotischem und pornografischen Bildmaterial werden häufig Modelle eingesetzt, welche menschliche Haut, Körperteile oder Szenen erkennen können. Mithilfe von entsprechenden Datensätzen [1] lassen sich Klassifizierungs- und Objekterkennungsmodelle trainieren. Es gibt allerdings auch Bilder, welche offensichtlich erotisch oder pornografisch sind, die jedoch durch herkömmliche Methoden nicht erkannt werden können. Dies trifft z.B. auf Bilder zu, in welchen erotische Posen oder Teilausschnitte pornografischer Szenen zu erkennen sind. Hier lassen sich u.a. Posen und Gesichtsausdrücke zur Klassifizierung verwenden [2]. Ziel: Ziel dieser Masterarbeit ist es zu untersuchen, ob und in welchem Umfang Posen und Gesichtsausdrücke zur Erkennung von erotischem und pornografischem Bildmaterial genutzt werden können. Zunächst soll recherchiert werden, welche bereits existierenden Ansätze sich zur Bearbeitung der Fragestellung eignen. Lücken in bestehenden Datensätzen und Modellen sollen beschrieben und durch eigene Daten und Modelle geschlossen werden. Auf Basis der entwickelten Methoden soll anschließend evaluiert werden, (1) ob eine zuverlässige Erkennung erotischer Posen und Gesichtsausdrücke möglich ist und (2) ob sich erotische und pornografische Bilder anhand erkannter Posen und Gesichtsausdrücke von anderen Kategorien abgrenzen lassen. Hierbei sollen auf unterschiedlichen Gegenklassen evaluiert werden, wie z.B. Alltags- oder Sportbilder. Ergebnisse: Als Teil dieser Masterarbeit sollen die folgenden Ergebnisse erzielt werden: • Datensatz mit Annotationen für die Erkennung erotischer Posen und Gesichtsausdrücke. • Implementierung neuer Ansätze zur Klassifizierung von Posen und Gesichtsausdrücken, sowohl in Alltagssituationen als auch in Erotik und Pornografie. • Evaluierung der Modelle, sowohl bezogen auf Klassifizierung der Posen und Gesichtsausdrücke als auch die Klassifizierung von Bildern (pornografisch/erotisch/normal).